spark 写入数据 hbase sparkstreaming写hbase

转载

温柔一刀 2024-07-18 09:59:31

文章标签 spark 写入数据 hbase 大数据 scala java kafka 文章分类 Spark 大数据

分布式消息缓存Kafka

1、消息中间件：生产者和消费者生产者、消费者、数据流（消息）

发布和订阅消息
容错存储消息记录
处理流数据

Kafka架构：

procedure：生产者

consumer：消费者

broker：容错存储

topic：分类主题、标签

consumer group：一个consumer最多消费一个分区的数据 consumer数量=partitions

磁盘顺序读写，省掉寻道时间，提高性能

零字节拷贝：内核空间和用户空间不直接拷贝、SendFile

/opt/bigdata/kafka_2.11-1.0.0/kafka-log2s/logkafka-0/00000000000000000000.index index的序号就是message在日志文件中的相对offset（偏移量）

offsetIndex是稀疏索引，先根据offset找到对应log文件，计算 offset - （log文件第一个offset -1）得到相对索引，再到index文件找到消息。如果index找不到，则取最近的，再去log文件对应位置向下查找

ack: 0 :不等待broker返回确认消息，无阻塞

1 ：partitions 中的leader 保存成功

-1: partitions 中的leader和follower都成功

启动ZK：

启动Kafka：kafkaStart.sh

nohup $KAFKA_HOME/bin/kafka-server-start.sh $KAFKA_HOME/config/server0.properties &

nohup $KAFKA_HOME/bin/kafka-server-start.sh $KAFKA_HOME/config/server1.properties &

nohup $KAFKA_HOME/bin/kafka-server-start.sh $KAFKA_HOME/config/server2.properties &

创建Topic：

kafka-topics.sh --create --zookeeper bigdata:2181,bigdata:2182,bigdata:2183 --replication-factor 1 --partitions 1 --topic logkafka

--partitions 可以提高消费并发

查看Topic：

kafka-topics.sh --list --zookeeper bigdata:2181

kafka-topics.sh --describe --zookeeper bigdata:2181 --topic test (指定Topic，否则查看所有topic的详细信息)

发送消息：

kafka-console-producer.sh --broker-list localhost:9092 --topic logkafka

接受消息：

kafka-console-consumer.sh --zookeeper bigdata:2181 --topic logkafka --from-beginning （--from-beginning . 是否从头开始消费消息）

停止Kafka：kafkaStop.sh

$KAFKA_HOME/bin/kafka-server-stop.sh $KAFKA_HOME/config/server0.properties &

$KAFKA_HOME/bin/kafka-server-stop.sh $KAFKA_HOME/config/server1.properties &

$KAFKA_HOME/bin/kafka-server-stop.sh $KAFKA_HOME/config/server2.properties &

两种方式连接Kafka：简单理解为：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

Receiver:

1、Kafka中topic的partition与Spark中RDD的partition是没有关系的，因此，在KafkaUtils.createStream()中，提高partition的数量，只会增加Receiver的数量，也就是读取Kafka中topic partition的线程数量，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。

Direct：

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。由于数据消费偏移量是保存在checkpoint中，因此，如果后续想使用kafka高级API消费数据，需要手动的更新zookeeper中的偏移量

2、API操作

<dependency>   
 
 
 

          <groupId>org.apache.kafka</groupId>   
 
 
 

           <artifactId>kafka_2.11</artifactId>   
 
 
 

           <version>1.0.0</version>      
 
 
 

   </dependency>

Scala版 Producer ：

package com.kafka
import java.util.HashMap
import org.apache.kafka.clients.producer.{KafkaProducer, ProducerConfig, ProducerRecord}
object producer {
　　def main(args: Array[String]): Unit = {
　　// 传参
　　if (args.length < 4){
　　System.err.println("Usage: producer <metadataBrokerList> <topics> <messageSec> <wordsPerMessage>")
　　System.exit(1)
　　}
　　val Array(brokers, topics, messageSec, wordsPerMessage) = args
　　// ZK 配置
　　val zkProps = new HashMap[String, Object]()
　　zkProps.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, brokers)
　　zkProps.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer")
　　zkProps.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer")
　　// Kafka Producer
　　val producer = new KafkaProducer[String, String](zkProps)
　　var i = 0
　　for ( i <- 1 to 10) {
　　　　(1 to messageSec.toInt).foreach { messageNum =>
　　　　　　val msg = (1 to wordsPerMessage.toInt).map(x => scala.util.Random.nextInt(10).toString).mkString(" ")
　　　　　　val msgs = new ProducerRecord[String, String](topics, null, msg)
　　　　　　producer.send(msgs)
　　　　}
　　　　Thread.sleep(100)
　　　}
　　}
}

3、整合Flume：

conf1：exec-mem-avro.conf

# Name the components on this agent
a1.sources = exec-source
a1.channels = memory-channel
a1.sinks = avro-sink
 
# configure for sources
a1.sources.exec-source.type = exec
a1.sources.exec-source.command = tail -F /opt/datas/log-collect-system/log_server.log
 
# configure for channels
a1.channels.memory-channel.type = memory
a1.channels.memory-channel.capacity = 1000
a1.channels.memory-channel.transactionCapacity = 100
 
# configure for sinks
a1.sinks.avro-sink.type = avro
a1.sinks.avro-sink.hostname = localhost
a1.sinks.avro-sink.port = 44444
 
# configure
a1.sinks.avro-sink.channel = memory-channel
a1.sources.exec-source.channels = memory-channel

Kafka conf：exec-memory-kafka.cnf

# Name the components on this agent
a1.sources = avro-source
a1.channels = memory-channel
a1.sinks = logger-sink
 
# configure for sources
a1.sources.avro-source.type = avro
a1.sources.avro-source.bind = localhost
a1.sources.avro-source.port = 44444
 
# configure for channels
a1.channels.memory-channel.type = memory
a1.channels.memory-channel.capacity = 1000
a1.channels.memory-channel.transactionCapacity = 100
 
# configure for sinks
a1.sinks.kafka-sink.type = org.apache.flume.sink.kafka.KafkaSink
#a1.sinks.kafka-sink.bootstrap.servers = bigdata:9092,bigdata:9093,bigdata:9094
a1.sinks.kafka-sink.brokerList = bigdata:9092,bigdata:9093,bigdata:9094
a1.sinks.kafka-sink.topic = logkafka
 
# configure
a1.sinks.kafka-sink.channel = memory-channel
a1.sources.avro-source.channels = memory-channel

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。