spark流操作 spark实时流处理

转载

mob64ca13f9a97c 2024-02-06 21:13:03

文章标签 spark流操作 spark流处理 python kafka spark Streaming 文章分类 Spark 大数据

一、Streaming与Flume的联调

Spark 2.2.0 对应于 Flume 1.6.0

两种模式：

1. Flume-style push-based approach：

Flume推送数据給Streaming

Streaming的receiver作为Flume的Avro agent

Spark workers应该跑在Flume这台机器上

Streaming先启动，receiver监听Flume push data的端口

实现：

写flume配置文件：

netcat source -> memory channel -> avro sink

IDEA开发：

添加Spark-flume依赖

对应的API是FlumeUtils

开发代码：

importorg.apache.spark.SparkConfimportorg.apache.spark.streaming.flume.FlumeUtilsimportorg.apache.spark.streaming.{Seconds, StreamingContext}/** Spark Streaming整合Flume的第一种方式
**/object FlumePushWordCount {
def main(args: Array[String]): Unit={//外部传入参数
if (args.length != 2) {
System.out.println("Usage: FlumePushWordCount ")
System.exit(1)
}
val Array(hostname, port)= args //外部args数组
val sparkConf= new SparkConf().setMaster("local[2]").setAppName("FlumePushWordCount")
val ssc= new StreamingContext(sparkConf, Seconds(5))//选择输入ssc的createStream方法，生成一个InputDStream
val flumeStream =FlumeUtils.createStream(ssc, hostname, port.toInt)//由于flume的内容有head有body, 需要先把内容拿出来, 并去掉空值
flumeStream.map(x => newString(x.event.getBody.array()).trim)
.flatMap(x=> x.split(" ")).map(x => (x, 1)).reduceByKey(_+_).print()
ssc.start()
ssc.awaitTermination()
}
}

注意：为了不hard-core，选择外部传入hostname和port

在IDEA测试时，可以在

里面的program argument输入运行参数

在本地测试时：

先启动Streaming作业，然后启动flume agent，最后通过telnet输入数据，观察IDEA的控制台输出

在服务器测试时：

submit时一定要把maven依赖中在--packages加上，自动会在网络上下载依赖

当不能下载时，需要--jars才能把预先下载好的jar包加上

2. Pull-based approach using a custom sink：

Streaming拉数据

Flume推送的数据先放到sink缓冲区

Streaming使用一个reliable flume receiver，确保了数据的接收和备份

可靠性更高，支持容错，生产上面常用

一台机器运行Flume agent，Spark集群其他机器可访问这台机器的custom sink

实现：

Flume配置：

使用相关jars包，配置依赖：(参考Spark官网)

sink是一个独特的type

IDEA开发：

对应上面Flume的依赖，使用的是createPollStream，区别于第一种模式

其他地方都一样，体现了Spark代码的复用性

本地测试：

先启动flume！！后启动Streaming作业

二、Streaming与Kafka的联调

Spark2.2.0对应于Kafka 0.8.2.1或更新(本次使用的是0.9.0.0)

两种模式：

1. Receiver-based approach

使用Kafka高级用户API

为了确保零数据丢失，需要用到Write Ahead Logs(出现于Spark 1.2)

同步地保存接收到的数据到日志当中，出错时可以恢复(容错机制)

这是传统的方式，在ZK server中消费数据

用KafkaUtils和Streaming对接，一样需要加入kafka的各种依赖(见官网)

使用的API是createStream

注意：

此处的topic分区和RDD的分区不同概念
多个Kafka DStream可以并行接收
用write ahead logs时需要配置StorageLevel.MEMORY_AND_DISK_SER
准备工作：
启动ZK server
启动kafka
./bin/kafka-server-start.sh -daemon ./config/server.properties
创建topic
./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic kafka_streaming_topic
测试topic能否正确生产和消费
kafka-console-producer.sh --broker-list localhost:9092 --topic kafka_streaming_topic
kafka-console-consumer.sh --zookeeper localhost:2181 --topic kafka_streaming_topic
IDEA代码：
importorg.apache.spark.SparkConfimportorg.apache.spark.streaming.kafka.KafkaUtilsimportorg.apache.spark.streaming.{Seconds, StreamingContext}/** SparkStreaming对接Kafka其中的Receiver-based方式
**/object KafkaReceiverWordCount {
def main(args: Array[String]): Unit={if (args.length != 4) {
System.out.println("Usage: KafkaReceiverWordCount ")
System.exit(1)
}
val Array(zkQuorum, group, topics, numThreads)=args
val sparkConf= new SparkConf().setMaster("local[2]").setAppName("KafkaReceiverWordCount")
val ssc= new StreamingContext(sparkConf, Seconds(5))//createStream需要传入的其中一个参数是一个Map，就是topics对应的线程数
val topicsMap = topics.split(",").map((_, numThreads.toInt)).toMap
val message=KafkaUtils.createStream(ssc, zkQuorum, group, topicsMap)//一定要取Stream的第二位才是数据，可以print出来看看，在实际生产中只是更改这一行的业务逻辑！！！
message.map(_._2).flatMap(_.split(",")).map((_, 1)).reduceByKey(_+_).print()
ssc.start()
ssc.awaitTermination()
}
}

本地测试／服务器测试：

从IDEA中输入参数，即可看到结果

从服务器测试也是打包submit就行，看web UI的时候留意验证receiver是占有一个Job的，证实了前面的理论

2. Direct Approach

No receiver！！！

从Spark 1.3 版本开始有

没有了Receiver，而是周期性地检测Kafka的offset，用了kafka simple consumer API

优点：

简化了并行度，不需要创建多个input stream

性能更好，达到零数据丢失，且不需要保存副本于write ahead logs中

一次语义Exactly-once semantics

缺点：不能在zookeeper中更新offset，但可以自己设置让其更新

使用的API是createDirectStream

准备工作和上面一样。

IDEA代码：

importorg.apache.spark.SparkConfimportorg.apache.spark.streaming.kafka.KafkaUtilsimportorg.apache.spark.streaming.{Seconds, StreamingContext}/** SparkStreaming对接Kafka其中的Direct方式
**/object KafkaDirectWordCount {
def main(args: Array[String]): Unit={if (args.length != 4) {
System.out.println("Usage: KafkaReceiverWordCount ")
System.exit(1)
}
val Array(brokers, topics)=args
val sparkConf= new SparkConf().setMaster("local[2]").setAppName("KafkaReceiverWordCount")
val ssc= new StreamingContext(sparkConf, Seconds(5))//createDirectStream需要传入kafkaParams和topicsSet
val kafkaParams = Map[String, String]("metadata.broker.list" ->brokers)
val topicsSet= topics.split(",").toSet
val message=KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
ssc, kafkaParams, topicsSet
)//一定要取Stream的第二位才是数据，可以print出来看看
message.map(_._2).flatMap(_.split(",")).map((_, 1)).reduceByKey(_+_).print()
ssc.start()
ssc.awaitTermination()
}
}

注意：StringDecoder有可能因为前面写Kafka java API时的包冲突而导入失败

在IDEA运行时报错：

这是由于之前在Kafka基础学习中我设置的kafka的依赖是0.9.0.0，和我们IDEA冲突，所以要把这一个依赖注释掉才能执行

调优时就是配置createDirectStream的参数嘛！！

三、Flume + Kafka + Spark Streaming常用流处理架构

实现的需求：实时(到现在为止)的日志访问统计操作

由于本人缺乏日志采集来源，故使用python语言来实现一个日志生成器，模拟生产环境中服务器不断生成日志的过程

本生成器产生的日志内容包括ip、time、url、status、referer

根据前面的知识，我们在实现的过程中有以下步骤：

1. Flume的选型，在本例中设为exec-memory-kafka

2. 打开kafka一个消费者，再启动flume读取日志生成器中的log文件，可看到kafka中成功读取到日志产生器的实时数据

3. 让Kafka接收到的数据传输到Spark Streaming当中，这样就可以在Spark对实时接收到的数据进行操作了