Spark-Streaming獲取kafka數據的兩種方式-Receiver與Direct的方式

Spark-Streaming獲取kafka數據的兩種方式-Receiver與Direct的方式，能夠從代碼中簡單理解成Receiver方式是經過zookeeper來鏈接kafka隊列，Direct方式是直接鏈接到kafka的節點上獲取數據了。

1、基於Receiver的方式

這種方式使用Receiver來獲取數據。Receiver是使用Kafka的高層次Consumer API來實現的。receiver從Kafka中獲取的數據都是存儲在Spark Executor的內存中的，而後Spark Streaming啓動的job會去處理那些數據。
然而，在默認的配置下，這種方式可能會由於底層的失敗而丟失數據。若是要啓用高可靠機制，讓數據零丟失，就必須啓用Spark Streaming的預寫日誌機制（Write Ahead Log，WAL）。該機制會同步地將接收到的Kafka數據寫入分佈式文件系統（好比HDFS）上的預寫日誌中。因此，即便底層節點出現了失敗，也可使用預寫日誌中的數據進行恢復。

java代碼

JavaPairReceiverInputDStream<String,String> lines = KafkaUtils.createStream(jsc, kafkaZookeeper, kafkaGroup, topicmap,StorageLevel.MEMORY_AND_DISK_SER);

須要注意的要點

一、Kafka中的topic的partition，與Spark中的RDD的partition是沒有關係的。因此，在KafkaUtils.createStream()中，提升partition的數量，只會增長一個Receiver中，讀取partition的線程的數量。不會增長Spark處理數據的並行度。
二、能夠建立多個Kafka輸入DStream，使用不一樣的consumer group和topic，來經過多個receiver並行接收數據。
三、若是基於容錯的文件系統，好比HDFS，啓用了預寫日誌機制，接收到的數據都會被複制一份到預寫日誌中。所以，在KafkaUtils.createStream()中，設置的持久化級別是StorageLevel.MEMORY_AND_DISK_SER。

2、基於Direct的方式

這種新的不基於Receiver的直接方式，是在Spark 1.3中引入的，從而可以確保更加健壯的機制。替代掉使用Receiver來接收數據後，這種方式會週期性地查詢Kafka，來得到每一個topic+partition的最新的offset，從而定義每一個batch的offset的範圍。當處理數據的job啓動時，就會使用Kafka的簡單consumer api來獲取Kafka指定offset範圍的數據。

這種方式有以下優勢：
一、簡化並行讀取：若是要讀取多個partition，不須要建立多個輸入DStream而後對它們進行union操做。Spark會建立跟Kafka partition同樣多的RDD partition，而且會並行從Kafka中讀取數據。因此在Kafka partition和RDD partition之間，有一個一對一的映射關係。
二、高性能：若是要保證零數據丟失，在基於receiver的方式中，須要開啓WAL機制。這種方式其實效率低下，由於數據實際上被複制了兩份，Kafka本身自己就有高可靠的機制，會對數據複製一份，而這裏又會複製一份到WAL中。而基於direct的方式，不依賴Receiver，不須要開啓WAL機制，只要Kafka中做了數據的複製，那麼就能夠經過Kafka的副本進行恢復。
三、一次且僅一次的事務機制：
基於receiver的方式，是使用Kafka的高階API來在ZooKeeper中保存消費過的offset的。這是消費Kafka數據的傳統方式。這種方式配合着WAL機制能夠保證數據零丟失的高可靠性，可是卻沒法保證數據被處理一次且僅一次，可能會處理兩次。由於Spark和ZooKeeper之間多是不一樣步的。
基於direct的方式，使用kafka的簡單api，Spark Streaming本身就負責追蹤消費的offset，並保存在checkpoint中。Spark本身必定是同步的，所以能夠保證數據是消費一次且僅消費一次。

java主要代碼：

1. 每次啓動時從zk獲取偏移量（本身管理的偏移量）；
2. 獲取kafka topic partition的偏移量，若是zk裏的偏移量不在其中，則選擇從最新或最舊的數據開始消費；
3. 讀取數據；
4. 處理數據；
5. 修改kafka偏移量。

咱們主要用的是kafkaUtils.createDirectStream這個接口

JavaInputDStream<R> createDirectStream(JavaStreamingContext jssc,
Class<K> keyClass,                                                                                                                      
Class<V> valueClass,                                                                                                                   
Class<KD> keyDecoderClass,   
Class<VD> valueDecoderClass,
Class<R> recordClass,
java.util.Map<String,String> kafkaParams,
java.util.Map<kafka.common.TopicAndPartition,Long> fromOffsets,
Function<kafka.message.MessageAndMetadata<K,V>,R> messageHandler) 


Parameters:
jssc - JavaStreamingContext object
keyClass - Class of the keys in the Kafka records
valueClass - Class of the values in the Kafka records
keyDecoderClass - Class of the key decoder
valueDecoderClass - Class of the value decoder
recordClass - Class of the records in DStream
kafkaParams - Kafka configuration parameters. Requires "metadata.broker.list" or "bootstrap.servers" to be set with Kafka broker(s) (NOT zookeeper servers), specified in host1:port1,host2:port2 form.
fromOffsets - Per-topic/partition Kafka offsets defining the (inclusive) starting point of the stream
messageHandler - Function for translating each message and metadata into the desired type
Returns:
DStream of R

JavaInputDStream<String> input = KafkaUtils.createDirectStream(jsc,
				String.class,
				String.class, 
				StringDecoder.class, 
				StringDecoder.class, 
				String.class, 
				kafkaParams, 
				consumerOffsets, //消費偏移量
				new Function<MessageAndMetadata<String, String>, String>() {
					private static final long serialVersionUID = 1L;
					public String call(MessageAndMetadata<String, String> v1) throws Exception {
                        return v1.message();
                    }
                });//讀取kafka數據
final AtomicReference<OffsetRange[]> offsetRanges = new AtomicReference<>();
		JavaDStream<String> javaDStream = input.transform(new Function<JavaRDD<String>,JavaRDD<String>>(){
			private static final long serialVersionUID = 1L;
			@Override
			public JavaRDD<String> call(JavaRDD<String> rdd) throws Exception {
				// TODO Auto-generated method stub
				OffsetRange[] offsets = ((HasOffsetRanges)rdd.rdd()).offsetRanges();
				offsetRanges.set(offsets);
				return rdd;
			}
		});//保存讀取偏移量
javaDStream.foreachRDD(new VoidFunction<JavaRDD<String>>(){
			private static final long serialVersionUID = 1L;
			@Override
			public void call(JavaRDD<String> t) throws Exception {
				// TODO Auto-generated method stub
				if(t.isEmpty()){
					return;
				}
				 for (OffsetRange o : offsetRanges.get()) {
			         System.out.println(
			           o.topic() + " " + o.partition() + " " + o.fromOffset() + " " + o.untilOffset()
			         );
			         ConsumerOffset.updateZkOffset(zookeeper,kafkaGroup,kafkaTopic,o.partition(),o.untilOffset());
			       }
			}
		});//更新偏移量