Spark Streaming+Kakfa细节剖析

2018-06-08  本文已影响0人  alan787

Spark Streaming+Kakfa细节剖析

本文基于 Kafka 1.1.0Spark 2.3.0 版本源代码进行分析

Kafka 消费接口

Kafka消费接口包含:低级和高级API,这个区分主要针对broker版本 <0.9.0,在0.9.0中引入了新消费者APIorg.apache.kafka.clients.consumer.KafkaConsumer将两者结合起来了。

低级API(<0.9.0)

低级API的入口类为 kafka.consumer.SimpleConsumer,已经被标记为废弃Deprecated,它的替代者是KafkaConsumer。

低级api的好处是可以更多样的控制读取数据,如:

使用该API的5个步骤为(引用):

  1. Find an active Broker and find out which Broker is the leader for your topic and partition
  2. Determine who the replica Brokers are for your topic and partition
  3. Build the request defining what data you are interested in
  4. Fetch the data
  5. Identify and recover from leader changes

高级API(<0.9.0)

更多的时候,我们只关心从kafka中不断的消费新数据,而对上面提到的细节不关心,这些细节包括:find Leader Broker、partition增加减少、consumer增加减少(引起Rebalance)、leader变化、异常处理等。

这时就可以使用高级API了,它的入口是 kafka.consumer.ZookeeperConsumerConnector

要用高级API应该使用多线程开发,每一个线程对应一个Consumer,Consumer和Partition的数量关系为:

更详细内容见引用

新消费者API(>=0.9.0)

新API是消费API的重新优化,它利用到kafka内置的组协调协议(group coordination protocol),它有以下几个优点:

详细使用示例见引用

关于Kafka offset的管理

Spark Streaming + Kafka

spark源码中有两个不同版本的代码:spark-streaming-kafka-0-8 和spark-streaming-kafka-0-10, 对比如下:

image.png

这里以 spark-streaming-kafka-0-8 的进行介绍

Kafka Receiver模式(2.3.0已废弃)

示意图:

image.png

Receiver使用的是高级消费者API,Receiver模式使用代码如下:

import org.apache.spark.streaming.kafka._

val kafkaStream = KafkaUtils.createStream(streamingContext,
    [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

关键点为:

Receiver模式关联的Spark Conf为spark.streaming.receiver.*.

Direct模式(推荐)

示意图:

image.png

使用新消费API中的低级接口来实现,相比Receiver有以下几个特点:

Direct模式没有更新offset到zookeeper中,将导致基于zookeeper的kafka监控工具无法显示数据消费情况,不过这可以通过手动提交offset来实现。
相关配置项为:spark.streaming.kafka.*. 其中关键配置项为spark.streaming.kafka.maxRatePerPartition用于控制最高速率。

Direct模式默认关闭kafka offset自动提交如:

private[kafka010] def fixKafkaParams(kafkaParams: ju.HashMap[String, Object]): Unit = {
logWarning(s"overriding ${ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG} to false for executor")
kafkaParams.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false: java.lang.Boolean)

logWarning(s"overriding ${ConsumerConfig.AUTO_OFFSET_RESET_CONFIG} to none for executor")
kafkaParams.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "none")

SparkSteaming+Kafka处理数据Exactly Once介绍

流式处理包含三个部分:

以下介绍采用Direct模式时保证Exactly Once的三种方式:

stream.foreachRDD { rdd =>
val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
// some time later, after outputs have completed
stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
}

注:这里类型强转CanCommitOffsets的前提是stream是createDirectStream的结果,没有经过其他转换

其他问题:

结语

本文只记部分内容,更多内容和细节还是需要看官方文档和代码。

Reference

上一篇下一篇

猜你喜欢

热点阅读