SparkStreaming与Kafka整合遇到的问题及解决方案（kafka对接sparkstreaming）-大数据-知优网

最近工作中是做日志分析的平台，采用了sparkstreaming+kafka，采用kafka主要是看中了它对大数据量处理的高性能，处理日志类应用再好不过了，采用了sparkstreaming的流处理框架主要是考虑到它本身是基于spark核心的，以后的批处理可以一站式服务，并且可以提供准实时服务到elasticsearch中，可以实现准实时定位系统日志。

前言

最近工作中是做日志分析的平台，采用了SparkStreaming+Kafka，采用kafka主要是看中了它对大数据量处理的高性能，处理日志类应用再好不过了，采用了sparkstreaming的流处理框架主要是考虑到它本身是基于spark核心的，以后的批处理可以一站式服务，并且可以提供准实时服务到elasticsearch中，可以实现准实时定位系统日志。

实现

Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式。

一. 基于Receiver方式

这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的，然后Spark Streaming启动的job会去处理那些数据。代码如下：

SparkConfsparkConf=newSparkConf().setAppName("log-etl").setMaster("local[4]");
JavaStreamingContextjssc=newJavaStreamingContext(sparkConf,newDuration(2000));
intnumThreads=Integer.parseInt("4");
Map<String,Integer>topicMap=newHashMap<String,Integer>();
topicMap.put("group-45",numThreads);
//接收的参数分别是JavaStreamingConetxt,zookeeper连接地址,groupId,kafak的topic
JavaPairReceiverInputDStream<String,String>messages=
KafkaUtils.createStream(jssc,"172.16.206.27:2181,172.16.206.28:2181,172.16.206.29:2181","1",topicMap);

刚开始的时候系统正常运行，没有发现问题，但是如果系统异常重新启动sparkstreaming程序后，发现程序会重复处理已经处理过的数据，这种基于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。官方现在也已经不推荐这种整合方式，官网相关地址 http://spark.apache.org/docs/latest/streaming-kafka-integration.html ，下面我们使用官网推荐的第二种方式kafkaUtils的createDirectStream()方式。

二.基于Direct的方式

这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地查询Kafka，来获得每个topic+partition的***的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。

代码如下：

SparkConfsparkConf=newSparkConf().setAppName("log-etl");
JavaStreamingContextjssc=newJavaStreamingContext(sparkConf,Durations.seconds(2));
HashSet<String>topicsSet=newHashSet<String>(Arrays.asList(topics.split(",")));
HashMap<String,String>kafkaParams=newHashMap<String,String>();
kafkaParams.put("metadata.broker.list",brokers);
//Createdirectkafkastreamwithbrokersandtopics
JavaPairInputDStream<String,String>messages=KafkaUtils.createDirectStream(
jssc,
String.class,
String.class,
StringDecoder.class,
StringDecoder.class,
kafkaParams,
topicsSet
);

这种Direct方式的优点如下：

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。

2.一次且仅一次的事务机制：基于receiver的方式，在spark和zk中通信，很有可能导致数据的不一致。

3.高效率：在receiver的情况下，如果要保证数据的不丢失，需要开启wal机制，这种方式下，为、数据实际上被复制了两份，一份在kafka自身的副本中，另外一份要复制到wal中， direct方式下是不需要副本的。

三.基于Direct方式丢失消息的问题

貌似这种方式很***，但是还是有问题的，当业务需要重启sparkstreaming程序的时候，业务日志依然会打入到kafka中，当job重启后只能从***的offset开始消费消息，造成重启过程中的消息丢失。kafka中的offset如下图(使用kafkaManager实时监控队列中的消息)：

当停止业务日志的接受后，先重启spark程序，但是发现job并没有将先前打入到kafka中的数据消费掉。这是因为消息没有经过zk，topic的offset也就没有保存

四.解决消息丢失的处理方案

一般有两种方式处理这种问题，可以先spark streaming 保存offset，使用spark checkpoint机制，第二种是程序中自己实现保存offset逻辑，我比较喜欢第二种方式，以为这种方式可控，所有主动权都在自己手中。

先看下大体流程图，

SparkConfsparkConf=newSparkConf().setMaster("local[2]").setAppName("log-etl");
Set<String>topicSet=newHashSet<String>();
topicSet.add("group-45");
kafkaParam.put("metadata.broker.list","172.16.206.17:9092,172.16.206.31:9092,172.16.206.32:9092");
kafkaParam.put("group.id","simple1");
//transformjavaMaptoscalaimmutable.map
scala.collection.mutable.Map<String,String>testMap=JavaConversions.mapAsScalaMap(kafkaParam);
scala.collection.immutable.Map<String,String>scalaKafkaParam=
testMap.toMap(newPredef.$less$colon$less<Tuple2<String,String>,Tuple2<String,String>>(){
publicTuple2<String,String>apply(Tuple2<String,String>v1){
returnv1;
}
});
//initKafkaCluster
kafkaCluster=newKafkaCluster(scalaKafkaParam);
scala.collection.mutable.Set<String>mutableTopics=JavaConversions.asScalaSet(topicSet);
immutableTopics=mutableTopics.toSet();
scala.collection.immutable.Set<TopicAndPartition>topicAndPartitionSet2=kafkaCluster.getPartitions(immutableTopics).right().get();
//kafkadirectstream初始化时使用的offset数据
Map<TopicAndPartition,Long>consumerOffsetsLong=newHashMap<TopicAndPartition,Long>();
//没有保存offset时（该group***消费时）,各个partitionoffset默认为0
if(kafkaCluster.getConsumerOffsets(kafkaParam.get("group.id"),topicAndPartitionSet2).isLeft()){
System.out.println(kafkaCluster.getConsumerOffsets(kafkaParam.get("group.id"),topicAndPartitionSet2).left().get());
Set<TopicAndPartition>topicAndPartitionSet1=JavaConversions.setAsJavaSet((scala.collection.immutable.Set)topicAndPartitionSet2);
for(TopicAndPartitiontopicAndPartition:topicAndPartitionSet1){
consumerOffsetsLong.put(topicAndPartition,0L);
}
}
//offset已存在,使用保存的offset
else{
scala.collection.immutable.Map<TopicAndPartition,Object>consumerOffsetsTemp=kafkaCluster.getConsumerOffsets("simple1",topicAndPartitionSet2).right().get();
Map<TopicAndPartition,Object>consumerOffsets=JavaConversions.mapAsJavaMap((scala.collection.immutable.Map)consumerOffsetsTemp);
Set<TopicAndPartition>topicAndPartitionSet1=JavaConversions.setAsJavaSet((scala.collection.immutable.Set)topicAndPartitionSet2);
for(TopicAndPartitiontopicAndPartition:topicAndPartitionSet1){
Longoffset=(Long)consumerOffsets.get(topicAndPartition);
consumerOffsetsLong.put(topicAndPartition,offset);
}
}
JavaStreamingContextjssc=newJavaStreamingContext(sparkConf,newDuration(5000));
kafkaParamBroadcast=jssc.sparkContext().broadcast(kafkaParam);
//createdirectstream
JavaInputDStream<String>message=KafkaUtils.createDirectStream(
jssc,
String.class,
String.class,
StringDecoder.class,
StringDecoder.class,
String.class,
kafkaParam,
consumerOffsetsLong,
newFunction<MessageAndMetadata<String,String>,String>(){
publicStringcall(MessageAndMetadata<String,String>v1)throwsException{
System.out.println("接收到的数据《《==="+v1.message());
returnv1.message();
}
}
);
//得到rdd各个分区对应的offset,并保存在offsetRanges中
finalAtomicReference<OffsetRange[]>offsetRanges=newAtomicReference<OffsetRange[]>();
JavaDStream<String>javaDStream=message.transform(newFunction<JavaRDD<String>,JavaRDD<String>>(){
publicJavaRDD<String>call(JavaRDD<String>rdd)throwsException{
OffsetRange[]offsets=((HasOffsetRanges)rdd.rdd()).offsetRanges();
offsetRanges.set(offsets);
returnrdd;
}
});
//output
javaDStream.foreachRDD(newFunction<JavaRDD<String>,Void>(){
publicVoidcall(JavaRDD<String>v1)throwsException{
if(v1.isEmpty())returnnull;
List<String>list=v1.collect();
for(Strings:list){
System.out.println("数据==="+s);
}
for(OffsetRangeo:offsetRanges.get()){
//封装topic.partition与offset对应关系javaMap
TopicAndPartitiontopicAndPartition=newTopicAndPartition(o.topic(),o.partition());
Map<TopicAndPartition,Object>topicAndPartitionObjectMap=newHashMap<TopicAndPartition,Object>();
topicAndPartitionObjectMap.put(topicAndPartition,o.untilOffset());
//转换javamaptoscalaimmutable.map
scala.collection.mutable.Map<TopicAndPartition,Object>testMap=
JavaConversions.mapAsScalaMap(topicAndPartitionObjectMap);
scala.collection.immutable.Map<TopicAndPartition,Object>scalatopicAndPartitionObjectMap=
testMap.toMap(newPredef.$less$colon$less<Tuple2<TopicAndPartition,Object>,Tuple2<TopicAndPartition,Object>>(){
publicTuple2<TopicAndPartition,Object>apply(Tuple2<TopicAndPartition,Object>v1){
returnv1;
}
});
//更新offset到kafkaCluster
kafkaCluster.setConsumerOffsets(kafkaParamBroadcast.getValue().get("group.id"),scalatopicAndPartitionObjectMap);
System.out.println("原数据====》"+o.topic()+""+o.partition()+""+o.fromOffset()+""+o.untilOffset()
);
}
returnnull;
}
});
jssc.start();
jssc.awaitTermination();
}