Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式

原创
2017/06/19 18:40
阅读数 734

Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式,可以从代码中简单理解成Receiver方式是通过zookeeper来连接kafka队列,Direct方式是直接连接到kafka的节点上获取数据了。

一、基于Receiver的方式

这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的,然后Spark Streaming启动的job会去处理那些数据。
然而,在默认的配置下,这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制,让数据零丢失,就必须启用Spark Streaming的预写日志机制(Write Ahead Log,WAL)。该机制会同步地将接收到的Kafka数据写入分布式文件系统(比如HDFS)上的预写日志中。所以,即使底层节点出现了失败,也可以使用预写日志中的数据进行恢复。

java代码

JavaPairReceiverInputDStream<String,String> lines = KafkaUtils.createStream(jsc, kafkaZookeeper, kafkaGroup, topicmap,StorageLevel.MEMORY_AND_DISK_SER);

需要注意的要点

1、Kafka中的topic的partition,与Spark中的RDD的partition是没有关系的。所以,在KafkaUtils.createStream()中,提高partition的数量,只会增加一个Receiver中,读取partition的线程的数量。不会增加Spark处理数据的并行度。
2、可以创建多个Kafka输入DStream,使用不同的consumer group和topic,来通过多个receiver并行接收数据。
3、如果基于容错的文件系统,比如HDFS,启用了预写日志机制,接收到的数据都会被复制一份到预写日志中。因此,在KafkaUtils.createStream()中,设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。

二、基于Direct的方式

这种新的不基于Receiver的直接方式,是在Spark 1.3中引入的,从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后,这种方式会周期性地查询Kafka,来获得每个topic+partition的最新的offset,从而定义每个batch的offset的范围。当处理数据的job启动时,就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。

这种方式有如下优点:
1、简化并行读取:如果要读取多个partition,不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition,并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间,有一个一对一的映射关系。
2、高性能:如果要保证零数据丢失,在基于receiver的方式中,需要开启WAL机制。这种方式其实效率低下,因为数据实际上被复制了两份,Kafka自己本身就有高可靠的机制,会对数据复制一份,而这里又会复制一份到WAL中。而基于direct的方式,不依赖Receiver,不需要开启WAL机制,只要Kafka中作了数据的复制,那么就可以通过Kafka的副本进行恢复。
3、一次且仅一次的事务机制:
基于receiver的方式,是使用Kafka的高阶API来在ZooKeeper中保存消费过的offset的。这是消费Kafka数据的传统方式。这种方式配合着WAL机制可以保证数据零丢失的高可靠性,但是却无法保证数据被处理一次且仅一次,可能会处理两次。因为Spark和ZooKeeper之间可能是不同步的。
基于direct的方式,使用kafka的简单api,Spark Streaming自己就负责追踪消费的offset,并保存在checkpoint中。Spark自己一定是同步的,因此可以保证数据是消费一次且仅消费一次。

java主要代码:

  1. 每次启动时从zk获取偏移量(自己管理的偏移量);
  2. 获取kafka topic partition的偏移量,如果zk里的偏移量不在其中,则选择从最新或最旧的数据开始消费;
  3. 读取数据;
  4. 处理数据;
  5. 修改kafka偏移量。

我们主要用的是kafkaUtils.createDirectStream这个接口

JavaInputDStream<R> createDirectStream(JavaStreamingContext jssc,
Class<K> keyClass,                                                                                                                      
Class<V> valueClass,                                                                                                                   
Class<KD> keyDecoderClass,   
Class<VD> valueDecoderClass,
Class<R> recordClass,
java.util.Map<String,String> kafkaParams,
java.util.Map<kafka.common.TopicAndPartition,Long> fromOffsets,
Function<kafka.message.MessageAndMetadata<K,V>,R> messageHandler) 


Parameters:
jssc - JavaStreamingContext object
keyClass - Class of the keys in the Kafka records
valueClass - Class of the values in the Kafka records
keyDecoderClass - Class of the key decoder
valueDecoderClass - Class of the value decoder
recordClass - Class of the records in DStream
kafkaParams - Kafka configuration parameters. Requires "metadata.broker.list" or "bootstrap.servers" to be set with Kafka broker(s) (NOT zookeeper servers), specified in host1:port1,host2:port2 form.
fromOffsets - Per-topic/partition Kafka offsets defining the (inclusive) starting point of the stream
messageHandler - Function for translating each message and metadata into the desired type
Returns:
DStream of R
JavaInputDStream<String> input = KafkaUtils.createDirectStream(jsc,
				String.class,
				String.class, 
				StringDecoder.class, 
				StringDecoder.class, 
				String.class, 
				kafkaParams, 
				consumerOffsets, //消费偏移量
				new Function<MessageAndMetadata<String, String>, String>() {
					private static final long serialVersionUID = 1L;
					public String call(MessageAndMetadata<String, String> v1) throws Exception {
                        return v1.message();
                    }
                });//读取kafka数据
final AtomicReference<OffsetRange[]> offsetRanges = new AtomicReference<>();
		JavaDStream<String> javaDStream = input.transform(new Function<JavaRDD<String>,JavaRDD<String>>(){
			private static final long serialVersionUID = 1L;
			@Override
			public JavaRDD<String> call(JavaRDD<String> rdd) throws Exception {
				// TODO Auto-generated method stub
				OffsetRange[] offsets = ((HasOffsetRanges)rdd.rdd()).offsetRanges();
				offsetRanges.set(offsets);
				return rdd;
			}
		});//保存读取偏移量
javaDStream.foreachRDD(new VoidFunction<JavaRDD<String>>(){
			private static final long serialVersionUID = 1L;
			@Override
			public void call(JavaRDD<String> t) throws Exception {
				// TODO Auto-generated method stub
				if(t.isEmpty()){
					return;
				}
				 for (OffsetRange o : offsetRanges.get()) {
			         System.out.println(
			           o.topic() + " " + o.partition() + " " + o.fromOffset() + " " + o.untilOffset()
			         );
			         ConsumerOffset.updateZkOffset(zookeeper,kafkaGroup,kafkaTopic,o.partition(),o.untilOffset());
			       }
			}
		});//更新偏移量

 

展开阅读全文
打赏
0
1 收藏
分享
加载中
更多评论
打赏
0 评论
1 收藏
0
分享
返回顶部
顶部