Kafka连接SparkStreaming的两种方式

本文介绍两种使用Apache Spark Streaming进行Kafka实时流处理的方法。第一种方法利用`KafkaUtils.createStream`创建输入流,并通过`updateStateByKey`更新状态;第二种方法采用直接流处理模式,使用`KafkaManager`管理偏移量。这两种方法均实现了基于Kafka的数据流实时处理和词频统计。

第一种方式代码:

复制代码
 1 import org.apache.spark.storage.StorageLevel
 2 import org.apache.spark.{HashPartitioner, SparkConf}
 3 import org.apache.spark.streaming.kafka.KafkaUtils
 4 import org.apache.spark.streaming.{Seconds, StreamingContext}
 5 
 6 object KafkaWordCount {
 7   val updateFunc = (iter: Iterator[(String, Seq[Int], Option[Int])]) => {
 8     //iter.flatMap(it=>Some(it._2.sum + it._3.getOrElse(0)).map(x=>(it._1,x)))
 9     iter.flatMap { case (x, y, z) => Some(y.sum + z.getOrElse(0)).map(i => (x, i)) }
10   }
11 
12   def main(args: Array[String]) {
13     LoggerLevels.setStreamingLogLevels()
14     val Array(zkQuorum, group, topics, numThreads) = args
15     val sparkConf = new SparkConf().setAppName("KafkaWordCount").setMaster("local[2]")
16     val ssc = new StreamingContext(sparkConf, Seconds(5))
17     ssc.checkpoint("c://ck2")
18     //"alog-2016-04-16,alog-2016-04-17,alog-2016-04-18"
19     //"Array((alog-2016-04-16, 2), (alog-2016-04-17, 2), (alog-2016-04-18, 2))"
20     val topicMap = topics.split(",").map((_, numThreads.toInt)).toMap
21     val data = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap, StorageLevel.MEMORY_AND_DISK_SER)
22     val words = data.map(_._2).flatMap(_.split(" "))
23     val wordCounts = words.map((_, 1)).updateStateByKey(updateFunc, new HashPartitioner(ssc.sparkContext.defaultParallelism), true)
24     wordCounts.print()//老师给的代码文件中没有这句话  必须要有一个Action,否则报错
25     //java.lang.IllegalArgumentException: requirement failed: No output operations registered, so nothing to execute
26     ssc.start()
27     ssc.awaitTermination()
28   }
29 }
复制代码

第二种方式代码:

复制代码
 1 import kafka.serializer.StringDecoder
 2 import org.apache.log4j.{Level, Logger}
 3 import org.apache.spark.SparkConf
 4 import org.apache.spark.rdd.RDD
 5 import org.apache.spark.streaming.kafka.{KafkaManager, KafkaUtils}
 6 import org.apache.spark.streaming.{Seconds, StreamingContext}
 7 
 8 
 9 object DirectKafkaWordCount {
10 
11   /*  def dealLine(line: String): String = {
12       val list = line.split(',').toList
13   //    val list = AnalysisUtil.dealString(line, ',', '"')// 把dealString函数当做split即可
14       list.get(0).substring(0, 10) + "-" + list.get(26)
15     }*/
16 
17   def processRdd(rdd: RDD[(String, String)]): Unit = {
18     val lines = rdd.map(_._2)
19     val words = lines.map(_.split(" "))
20     val wordCounts = words.map(x => (x, 1L)).reduceByKey(_ + _)
21     wordCounts.foreach(println)
22   }
23 
24   def main(args: Array[String]) {
25     if (args.length < 3) {
26       System.err.println(
27         s"""
28            |Usage: DirectKafkaWordCount <brokers> <topics> <groupid>
29            |  <brokers> is a list of one or more Kafka brokers
30            |  <topics> is a list of one or more kafka topics to consume from
31            |  <groupid> is a consume group
32            |
33         """.stripMargin)
34       System.exit(1)
35     }
36 
37     Logger.getLogger("org").setLevel(Level.WARN)
38 
39     val Array(brokers, topics, groupId) = args
40 
41     // Create context with 2 second batch interval
42     val sparkConf = new SparkConf().setAppName("DirectKafkaWordCount")
43     sparkConf.setMaster("local[*]")
44     sparkConf.set("spark.streaming.kafka.maxRatePerPartition", "5")
45     sparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
46 
47     val ssc = new StreamingContext(sparkConf, Seconds(2))
48 
49     // Create direct kafka stream with brokers and topics
50     val topicsSet = topics.split(",").toSet
51     val kafkaParams = Map[String, String](
52       "metadata.broker.list" -> brokers,
53       "group.id" -> groupId,
54       "auto.offset.reset" -> "smallest"
55     )
56 
57     val km = new KafkaManager(kafkaParams)
58 
59     val messages = km.createDirectStream[String, String, StringDecoder, StringDecoder](
60       ssc, kafkaParams, topicsSet)
61 
62     messages.foreachRDD(rdd => {
63       if (!rdd.isEmpty()) {
64         // 先处理消息
65         processRdd(rdd)
66         // 再更新offsets
67         km.updateZKOffsets(rdd)
68       }
69     })
70 
71     ssc.start()
72     ssc.awaitTermination()
73   }
74 }
复制代码




本文转自SummerChill博客园博客,原文链接:http://www.cnblogs.com/DreamDrive/p/6810238.html,如需转载请自行联系原作者

<think>好的,用户现在问的是关于Spark Streaming如何读取Kafka的数据。之前他们问过Python操作Kafka,现在可能是在同一个项目或学习路径中进阶到流处理了。我需要先确定他们的背景和需求。 首先,用户可能已经了解Kafka的基本操作,现在想用Spark Streaming进行实时数据处理。要介绍Spark Streaming和Kafka的集成方法,可能需要对比两种常用的方式:基于Receiver的方法和Direct Approach。不过现在Spark Streaming可能已经更新,需要确认最新的方法。 记得用户之前用的是Python,所以可能需要PySpark的例子。不过Spark Streaming在Python中主要通过PySpark实现,而代码示例可能涉及Scala,但用户可能需要Python版本。要确保提供的代码示例是Python的。 用户可能对集成步骤、依赖库、基本配置和示例代码感兴趣。需要提到必要的Maven或Gradle依赖,但如果是PySpark,可能需要提到相关的包,比如spark-streaming-kafka。不过需要注意,Spark的不同版本对应的包名称可能不同,比如Spark 2.4.x和3.x的区别。 另外,用户可能关心如何设置Kafka参数,比如bootstrap servers、topic、消费者组等。还有如何处理偏移量,确保数据不丢失,以及可能的性能优化参数,比如auto.offset.reset,enable.auto.commit等。 可能用户在实际操作中会遇到依赖问题,比如如何正确引入Kafka的库,或者在集群上运行时需要确保所有节点都有相应的jar包。这时候可能需要提醒他们注意版本兼容性,以及提交应用时的--packages选项。 另外,需要提到结构化流(Structured Streaming)的方式,因为Spark已经逐渐转向结构化流API,可能比传统的Spark Streaming更推荐使用。所以应该包括两种方式的示例:传统的Spark Streaming和Structured Streaming。 用户可能还关心数据处理后的输出操作,比如保存到HDFS、数据库或打印到控制台。需要给出保存结果的示例,比如foreachRDD或writeStream的输出模式。 最后,常见问题部分需要包括偏移量管理、容错机制、性能调优,比如分区数、并行度调整,以及可能的错误处理,比如连接超时或反序列化问题。 总结:需要结构清晰,分步骤介绍两种集成方式,提供Python示例,强调版本差异,依赖管理,配置参数,以及常见问题和优化建议。同时注意用户可能的PySpark背景,确保示例代码正确可用。</think>在 Spark Streaming 中读取 Kafka 数据是实时流处理的常见场景,以下是实现方法及关键步骤: --- ### 一、依赖准备 Spark 提供了两种Kafka 集成的 API(需根据 Spark 版本选择): 1. **传统方式(Receiver-based)**(已逐渐淘汰) 2. **Direct Approach(推荐)**:基于 Kafka 的消费者 API,更高效且支持 Exactly-Once 语义。 **Maven/Gradle 依赖**(以 Spark 3.x + Kafka 0.10+ 为例): ```xml <!-- Spark Streaming + Kafka 集成包 --> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka-0-
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值