在本章中，我们将讨论如何将Apache Kafka与Spark Streaming API集成.
启用Spark Streaming API实时数据流的可扩展，高吞吐量，容错流处理.数据可以从Kafka，Flume，Twitter等许多来源获取，并且可以使用复杂的算法进行处理，例如map，reduce，join和window等高级函数.最后，处理后的数据可以推送到文件系统，数据库和实时仪表板.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中的每个数据集都分为逻辑分区，可以在集群的不同节点上计算.
Kafka是一个潜力Spark流媒体的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.处理完数据后，Spark Streaming可能会将结果发布到HDFS，数据库或仪表板中的另一个Kafka主题或商店中.下图描绘了概念流程.
现在，让我们详细了解Kafka-Spark API.
它代表Spark应用程序的配置.用于将各种Spark参数设置为键值对.
类具有以下方法 :
set(字符串键，字符串值) : 设置配置变量.
删除(字符串键) : 从配置中删除密钥.
setAppName(字符串名称) : 为您的应用程序设置应用程序名称.
get(字符串键) : 获取密钥
这是Spark功能的主要入口点. SparkContext表示与Spark群集的连接，可用于在群集上创建RDD，累加器和广播变量.签名定义如下所示.
public StreamingContext(String master, String appName, Duration batchDuration, String sparkHome, scala.collection.Seq<String> jars, scala.collection.Map<String,String> environment)
master : 要连接的集群URL(例如，mesos://host:port，spark://host:port，local [4]).
appName : 作业名称，显示在群集Web UI上
batchDuration : 流数据将被分成批次的时间间隔
public StreamingContext(SparkConf conf ，Duration batchDuration)
通过提供新SparkContext所需的配置来创建StreamingContext.
conf : Spark参数
batchDuration : 流数据将被分成批次的时间间隔
KafkaUtils API用于将Kafka群集连接到Spark流.此API具有如下定义的重要方法签名.
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法定人数.
groupId : 此消费者的群组ID.
主题 : 返回要使用的主题地图.
storageLevel : 用于存储接收对象的存储级别.
KafkaUtils API有另一种方法createDirectStream，用于直接创建输入流在不使用任何接收器的情况下从Kafka Brokers提取消息.此流可以保证来自Kafka的每条消息都只包含在转换中一次.
示例应用程序在Scala中完成.要编译应用程序，请下载并安装，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集成取决于火花，火花流和火花Kafka集成罐.创建一个新文件并指定应用程序详细信息及其依赖项. 将在编译和打包应用程序时下载必要的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"
运行以下命令编译并打包应用程序的jar文件.我们需要将jar文件提交到spark控制台来运行应用程序.
sbt package
启动Kafka Producer CLI(在前一章中解释)，创建一个名为的新主题并提供一些示例消息，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 ..
