Maxwell,Kafka, Spark Streaming and Hive

本文详细介绍了如何使用Spark Streaming从Kafka中消费数据,包括配置Spark环境、创建流处理任务、解析Kafka消息并将其加载到HDFS的过程。通过具体代码示例,展示了数据处理、转换及存储的技术细节。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 run maxwell

./maxwell --user='maxwell' --password='maxwell' --host=hdp1 --producer=kafka --kafka.bootstrap.servers=hdp3:6667 --kafka_topic=maxwell

 run kafka 

/usr/hdp/2.5.0.0-1245/kafka/bin/kafka-console-consumer.sh --zookeeper hdp1:2181,hdp2:2181,hdp3:2181 --topic maxwell --from-beginning

run pyspark

kafkaStream = KafkaUtils.createStream(streamingContext, [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
import json
import time
from pyspark.sql import Row,HiveContext
from pyspark import SparkConf
def process(rdd):
    try:
            rowRdd = rdd.map(lambda w: Row(word=w))
            wordsDataFrame = sqlContext.createDataFrame(rowRdd)
            # Creates a temporary view using the DataFrame.
            wordsDataFrame.registerTempTable("tmp")
            partition=time.strftime('%Y-%m-%d',time.localtime(time.time()))
            sqlscript="insert overwrite table  kafka_flume_hdfs_tt partition(ods_date='%s') select * from tmp"%partition
            wordCountsDataFrame = sqlContext.sql(sqlscript)
    except:
            pass
def start():
    sconf=SparkConf()  
    sconf.set('spark.cores.max',3)  
    sc=SparkContext(appName='streaming',conf=sconf)
    global sqlContext
    sqlContext=HiveContext(sc)
    ssc = StreamingContext(sc, 10)
    kafkaStream = KafkaUtils.createStream(ssc, 'hdp1:2181', 'spark-streaming', {'maxwell':1})
    parsed = kafkaStream.map(lambda v: json.loads(v[1]))
    value=parsed.map(lambda x:x['data']['id'])
    value.pprint()
    value.foreachRDD(process)
    ssc.start()
    ssc.awaitTermination()

if __name__ == '__main__':
    start()


Download the JAR of the artifact from Maven Central http://search.maven.org/,Group Id = org.apache.spark, Artifact Id = spark-streaming-kafka-assembly, Version = 1.6.2.Then, include the jar in the pyspark command as

pyspark --jars spark-streaming-kafka-assembly_2.10-1.6.1.jar --python_file.py

 

转载于:https://my.oschina.net/aubao/blog/2239923

### MaxwellKafka集成概述 Maxwell是一个MySQL数据库的变更数据捕获(CDC)工具,能够读取并解析MySQL的二进制日志文件(binlog),并将这些变化作为JSON事件发布到指定的目标系统中,比如Apache Kafka[^1]。 对于希望实时处理来自关系型数据库的数据变动的应用程序来说,这种组合提供了强大的功能。通过这种方式,任何对源数据库的操作(插入、更新或删除记录),都可以被近乎即时地传播给其他服务或存储层。 #### 配置过程 为了实现从MySQL到Kafka的消息传递,需要完成几个配置步骤: - **安装和启动Maxwell**: 用户可以在目标服务器上下载最新版本的Maxwell,并按照官方文档中的指导来设置环境变量以及必要的依赖项。 - **连接至MySQL实例**: 使用适当的用户名密码认证信息让Maxwell连接到想要监控其活动的MySQL实例。这一步骤通常涉及到编辑`maxwell.properties`文件内的相应字段。 - **定义输出目的地为Kafka**: 修改相同的属性文件(`maxwell.properties`)以指明消息应该发送往哪个Kafka主题(topic)。此操作涉及设定诸如`producer.type=kafka`, `kafka.bootstrap.servers=<broker_list>` 和 `kafka_topic=<topic_name>`这样的参数。 ```properties # Example maxwell.properties configuration snippet for Kafka output producer.type=kafka kafka.bootstrap.servers=localhost:9092 kafka_topic=my_database_changes ``` 一旦上述准备工作就绪,则可以通过简单的命令行指令开启Maxwell的服务进程;之后它就会自动开始监听所关联的MySQL binlogs并向对应的Kafka topic推送新产生的更改通知。 #### 实际应用案例 在一个典型的电商网站架构里,每当顾客下单成功后,订单详情会被写入后台的关系型数据库内。此时如果已经设置了由Maxwell负责捕捉此类事务性的修改动作并通过Kafka广播出去的话,那么前端展示页面就可以利用消费自该流式传输管道里的增量更新来进行动态刷新——无需轮询查询整个表结构从而提高了效率降低了延迟时间。
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