在本章中，我们将讨论如何将apache kafka与spark streaming api集成。
spark streaming api支持实时数据流的可扩展，高吞吐量，容错流处理。 数据可以从诸如kafka，flume，twitter等许多源中提取，并且可以使用复杂的算法来处理，例如地图，缩小，连接和窗口等高级功能。 最后，处理的数据可以推送到文件系统，数据库和活动仪表板。 弹性分布式数据集(rdd)是spark的基本数据结构。 它是一个不可变的分布式对象集合。 rdd中的每个数据集划分为逻辑分区，可以在集群的不同节点上计算。
kafka是spark流式传输的潜在消息传递和集成平台。 kafka充当实时数据流的中心枢纽，并使用spark streaming中的复杂算法进行处理。 一旦数据被处理，spark streaming可以将结果发布到另一个kafka主题或存储在hdfs，数据库或仪表板中。 下图描述了概念流程。
现在，让我们详细了解kafka-spark api。
它表示spark应用程序的配置。 用于将各种spark参数设置为键值对。
sparkconf
类有以下方法 -
set(string key，string value) - 设置配置变量。
remove(string key) - 从配置中移除密钥。
setappname(string name) - 设置应用程序的应用程序名称。
get(string key) - get key
这是spark功能的主要入口点。 sparkcontext表示到spark集群的连接，可用于在集群上创建rdd，累加器和广播变量。 签名的定义如下所示。
public streamingcontext(string master, string appname, duration batchduration, string sparkhome, scala.collection.seq<string> jars, scala.collection.map<string,string> environment)
主 - 要连接的群集网址(例如mesos:// host:port，spark:// host:port，local [4])。
appname - 作业的名称，以显示在集群web ui上
batchduration - 流式数据将被分成批次的时间间隔
public streamingcontext(sparkconf conf, duration batchduration)
通过提供新的sparkcontext所需的配置创建streamingcontext。
conf - spark参数
batchduration - 流式数据将被分成批次的时间间隔
kafkautils api用于将kafka集群连接到spark流。 此api具有如下定义的显着方法 createstream
。
public static receiverinputdstream<scala.tuple2<string,string>> createstream( streamingcontext ssc, string zkquorum, string groupid, scala.collection.immutable.map<string,object> topics, storagelevel storagelevel)
上面显示的方法用于创建从kafka brokers提取消息的输入流。
ssc - streamingcontext对象。
zkquorum - zookeeper quorum。
groupid - 此消费者的组id。
主题 - 返回要消费的主题的地图。
storagelevel - 用于存储接收的对象的存储级别。
kafkautils api有另一个方法createdirectstream，用于创建一个输入流，直接从kafka brokers拉取消息，而不使用任何接收器。 这个流可以保证来自kafka的每个消息都包含在转换中一次。
示例应用程序在scala中完成。 要编译应用程序，请下载并安装 sbt
，scala构建工具(类似于maven)。 主要应用程序代码如下所示。
import java.util.hashmap
import org.apache.kafka.clients.producer.{kafkaproducer, producerconfig, produc-errecord}
import org.apache.spark.sparkconf
import org.apache.spark.streaming._
import org.apache.spark.streaming.kafka._
object kafkawordcount {
def main(args: array[string]) {
if (args.length < 4) {
system.err.println("usage: kafkawordcount <zkquorum><group> <topics> <numthreads>")
system.exit(1)
}
val array(zkquorum, group, topics, numthreads) = args
val sparkconf = new sparkconf().setappname("kafkawordcount")
val ssc = new streamingcontext(sparkconf, seconds(2))
ssc.checkpoint("checkpoint")
val topicmap = topics.split(",").map((_, numthreads.toint)).tomap
val lines = kafkautils.createstream(ssc, zkquorum, group, topicmap).map(_._2)
val words = lines.flatmap(_.split(" "))
val wordcounts = words.map(x => (x, 1l))
.reducebykeyandwindow(_ + _, _ - _, minutes(10), seconds(2), 2)
wordcounts.print()
ssc.start()
ssc.awaittermination()
}
}
spark-kafka集成取决于spark，spark流和spark与kafka的集成jar。 创建一个新文件 build.sbt
，并指定应用程序详细信息及其依赖关系。 在编译和打包应用程序时， sbt
将下载所需的jar。
name := "spark kafka project" version := "1.0" scalaversion := "2.10.5" librarydependencies += "org.apache.spark" %% "spark-core" % "1.6.0" librarydependencies += "org.apache.spark" %% "spark-streaming" % "1.6.0" librarydependencies += "org.apache.spark" %% "spark-streaming-kafka" % "1.6.0"
运行以下命令以编译和打包应用程序的jar文件。 我们需要将jar文件提交到spark控制台以运行应用程序。
sbt package
启动kafka producer cli(在上一章中解释)，创建一个名为 my-first-topic
的新主题，并提供一些样本消息，如下所示。
another spark test message
运行以下命令将应用程序提交到spark控制台。
/usr/local/spark/bin/spark-submit --packages org.apache.spark:spark-streaming -kafka_2.10:1.6.0 --class "kafkawordcount" --master local[4] target/scala-2.10/spark -kafka-project_2.10-1.0.jar localhost:2181 <group name> <topic name> <number of threads>
此应用程序的示例输出如下所示。
spark console messages .. (test,1) (spark,1) (another,1) (message,1) spark console message ..
