Kafka集成SparkStreaming

Spark Streaming + Kafka集成指南

Kafka項目在版本0.8和0.10之間引入了一個新的消費者API，因此有兩個獨立的相應Spark Streaming包可用。請選擇正確的包， 請注意，0.8集成與后來的0.9和0.10代理兼容，但0.10集成與早期的代理不兼容。

注意：從Spark 2.3.0開始，不推薦使用Kafka 0.8支持。

Spark Streaming從Kafka接收數據，轉換為spark streaming中的數據結構Dstream。數據接收方式有兩種 ：1 使用Receiver接收的舊方法：2使用Direct拉取的新方法（在Spark 1.3中引入）。

https://spark.apache.org/docs/1.6.3/streaming-kafka-integration.html

https://spark.apache.org/docs/2.3.1/streaming-kafka-0-10-integration.html

Receiver方式

     Received是使用Kafka高級Consumer API實現的。與所有接收器一樣，從Kafka通過Receiver接收的數據存儲在Spark Executor的內存中，然后由Spark Streaming啟動的job來處理數據。然而默認配置下，這種方式可能會因為底層的失敗而丟失數據（請參閱接收器可靠性）。如果要啟用高可靠機制，確保零數據丟失，要啟用Spark Streaming的預寫日志機制（Write Ahead Log，（已引入）在Spark 1.2）。該機制會同步地將接收到的Kafka數據保存到分布式文件系統（比如HDFS）上的預寫日志中，以便底層節點在發生故障時也可以使用預寫日志中的數據進行恢復。

如下圖：

接下來，我們將討論如何在流應用程序中使用此方法。

1 鏈接 

對於使用Maven項目定義的Scala / Java應用程序時，我們需要添加相應的依賴包：

<dependency><!-- Spark Streaming Kafka -->
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka_2.11</artifactId>
    <version>1.6.3</version>
</dependency>

2 編程 

在流應用程序代碼中，導入KafkaUtils並創建輸入DStream，如下所示。

Scala編程：

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

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

Java編程

 import org.apache.spark.streaming.kafka.*;

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

還有幾個需要注意的點：

• Kafka中topic的partition與Spark Streaming中生成的RDD的partition無關，因此，在KafkaUtils.createStream()中，增加某個topic的partition的數量，只會增加單個Receiver消費topic的線程數，也就是讀取Kafka中topic partition的線程數量，它不會增加Spark在處理數據時的並行性。
• 可以使用不同的consumer group和topic創建多個Kafka輸入DStream，以使用多個receiver並行接收數據。
• 如果已使用HDFS等復制文件系統啟用了“預讀日志”，則接收的數據已在日志中復制。因此，輸入流的存儲級別的存儲級別StorageLevel.MEMORY_AND_DISK_SER（即，使用KafkaUtils.createStream(..., StorageLevel.MEMORY_AND_DISK_SER)）。

3 部署

與任何Spark應用程序一樣，spark-submit用於啟動應用程序。但是，Scala / Java應用程序和Python應用程序的細節略有不同。

對於Scala和Java應用程序，如果您使用SBT或Maven進行項目管理，則將spark-streaming-kafka_2.11其及其依賴項打包到應用程序JAR中。確保spark-core_2.10並spark-streaming_2.10標記為providedSpark安裝中已存在的依賴項。然后使用spark-submit啟動應用程序。

對於缺少SBT / Maven項目管理的Python應用程序，spark-streaming-kafka_2.11可以直接將其依賴項添加到spark-submit使用中--packages。那是，

 ./bin/spark-submit --packages org.apache.spark:spark-streaming-kafka_2.11:1.6.3 ...

另外，您也可以下載Maven構件的JAR spark-streaming-kafka-assembly從 Maven倉庫，並將其添加到spark-submit用--jars。

Direct方式

在spark1.3之后，引入了Direct方式。不同於Receiver的方式，Direct方式沒有receiver這一層，其會周期性的獲取Kafka中每個topic的每個partition中的最新offsets，之后根據設定的maxRatePerPartition來處理每個batch。其形式如下圖：

這種方法相較於Receiver方式的優勢在於：

• 簡化的並行：在Receiver的方式中我們提到創建多個Receiver之后利用union來合並成一個Dstream的方式提高數據傳輸並行度。而在Direct方式中，Kafka中的partition與RDD中的partition是一一對應的並行讀取Kafka數據，這種映射關系也更利於理解和優化。
• 高效：在Receiver的方式中，為了達到0數據丟失需要將數據存入Write Ahead Log中，這樣在Kafka和日志中就保存了兩份數據，浪費！而第二種方式不存在這個問題，只要我們Kafka的數據保留時間足夠長，我們都能夠從Kafka進行數據恢復。
• 精確一次：在Receiver的方式中，使用的是Kafka的高階API接口從Zookeeper中獲取offset值，這也是傳統的從Kafka中讀取數據的方式，但由於Spark Streaming消費的數據和Zookeeper中記錄的offset不同步，這種方式偶爾會造成數據重復消費。而第二種方式，直接使用了簡單的低階Kafka API，Offsets則利用Spark Streaming的checkpoints進行記錄，消除了這種不一致性。

請注意，此方法的一個缺點是它不會更新Zookeeper中的偏移量，因此基於Zookeeper的Kafka監視工具將不會顯示進度。但是，您可以在每個批處理中訪問此方法處理的偏移量，並自行更新Zookeeper。

接下來，我們將討論如何在流應用程序中使用此方法。

1 鏈接

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
    <version>2.3.1</version>
</dependency>

2 編程

請注意，導入的命名空間包括版本org.apache.spark.streaming.kafka010

Scala編程

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.streaming.kafka010._
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe

val kafkaParams = Map[String, Object](
  "bootstrap.servers" -> "node21:9092,node22:9092,node23:9092",
  "key.deserializer" -> classOf[StringDeserializer],
  "value.deserializer" -> classOf[StringDeserializer],
  "group.id" -> "use_a_separate_group_id_for_each_stream",
  "auto.offset.reset" -> "latest",
  "enable.auto.commit" -> (false: java.lang.Boolean)
)

val topics = Array("topicA", "topicB")
val stream = KafkaUtils.createDirectStream[String, String](
  streamingContext,
  PreferConsistent,
  Subscribe[String, String](topics, kafkaParams)
)

stream.map(record => (record.key, record.value))

流中的每個項目都是ConsumerRecord，有關可能的kafkaParams，請參閱Kafka使用者配置文檔。如果Spark批處理持續時間大於默認的Kafka心跳會話超時（30秒），請適當增加heartbeat.interval.ms和session.timeout.ms。對於大於5分鍾的批次，這將需要在代理上更改group.max.session.timeout.ms。請注意，該示例將enable.auto.commit設置為false，有關討論，請參閱存儲偏移。

3 Direct方式案例

package com.xyg.spark
 
import kafka.serializer.{StringDecoder, Decoder}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkContext, SparkConf}
 
import scala.reflect.ClassTag
 
/**
  * Created by Administrator on 2018/7/28.
  */
object SparkStreamDemo {
  def main(args: Array[String]) {
 
    val conf = new SparkConf()
    conf.setAppName("spark_streaming")
    conf.setMaster("local[*]")
 
    val sc = new SparkContext(conf)
    sc.setCheckpointDir("D:/checkpoints")
    sc.setLogLevel("ERROR")
 
    val ssc = new StreamingContext(sc, Seconds(5))
 
    // val topics = Map("spark" -> 2)
 
    val kafkaParams = Map[String, String](
      "bootstrap.servers" -> "node21:9092,node22:9092,node23:9092",
      "group.id" -> "spark",
      "auto.offset.reset" -> "smallest"
    )
    // 直連方式拉取數據，這種方式不會修改數據的偏移量，需要手動的更新
    val lines =  KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, Set("spark")).map(_._2)
    // val lines = KafkaUtils.createStream(ssc, "node21:2181,node22:2181,node23:2181", "spark", topics).map(_._2)
 
    val ds1 = lines.flatMap(_.split(" ")).map((_, 1))
 
    val ds2 = ds1.updateStateByKey[Int]((x:Seq[Int], y:Option[Int]) => {
      Some(x.sum + y.getOrElse(0))
    })
 
    ds2.print()
 
    ssc.start()
    ssc.awaitTermination()
 
  }
}

Spark向kafka中寫入數據

上文闡述了Spark如何從Kafka中流式的讀取數據，下面我整理向Kafka中寫數據。與讀數據不同，Spark並沒有提供統一的接口用於寫入Kafka，所以我們需要使用底層Kafka接口進行包裝。
最直接的做法我們可以想到如下這種方式：

input.foreachRDD(rdd =>
  // 不能在這里創建KafkaProducer
  rdd.foreachPartition(partition =>
    partition.foreach{
      case x:String=>{
        val props = new HashMap[String, Object]()
        props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, brokers)
        props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,
          "org.apache.kafka.common.serialization.StringSerializer")
        props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,
          "org.apache.kafka.common.serialization.StringSerializer")
        println(x)
        val producer = new KafkaProducer[String,String](props)
        val message=new ProducerRecord[String, String]("output",null,x)
        producer.send(message)
      }
    }
  )
) 

但是這種方式缺點很明顯，對於每個partition的每條記錄，我們都需要創建KafkaProducer，然后利用producer進行輸出操作，注意這里我們並不能將KafkaProducer的新建任務放在foreachPartition外邊，因為KafkaProducer是不可序列化的（not serializable）。顯然這種做法是不靈活且低效的，因為每條記錄都需要建立一次連接。如何解決呢？

1.首先，我們需要將KafkaProducer利用lazy val的方式進行包裝如下：

import java.util.concurrent.Future
import org.apache.kafka.clients.producer.{ KafkaProducer, ProducerRecord, RecordMetadata }
class KafkaSink[K, V](createProducer: () => KafkaProducer[K, V]) extends Serializable {
  /* This is the key idea that allows us to work around running into
     NotSerializableExceptions. */
  lazy val producer = createProducer()
  def send(topic: String, key: K, value: V): Future[RecordMetadata] =
    producer.send(new ProducerRecord[K, V](topic, key, value))
  def send(topic: String, value: V): Future[RecordMetadata] =
    producer.send(new ProducerRecord[K, V](topic, value))
}

object KafkaSink {
  import scala.collection.JavaConversions._
  def apply[K, V](config: Map[String, Object]): KafkaSink[K, V] = {
    val createProducerFunc = () => {
      val producer = new KafkaProducer[K, V](config)
      sys.addShutdownHook {
        // Ensure that, on executor JVM shutdown, the Kafka producer sends
        // any buffered messages to Kafka before shutting down.
        producer.close()
      }
      producer
    }
    new KafkaSink(createProducerFunc)
  }
  def apply[K, V](config: java.util.Properties): KafkaSink[K, V] = apply(config.toMap)
}

2.之后我們利用廣播變量的形式，將KafkaProducer廣播到每一個executor，如下：

// 廣播KafkaSink
val kafkaProducer: Broadcast[KafkaSink[String, String]] = {
  val kafkaProducerConfig = {
    val p = new Properties()
    p.setProperty("bootstrap.servers", Conf.brokers)
    p.setProperty("key.serializer", classOf[StringSerializer].getName)
    p.setProperty("value.serializer", classOf[StringSerializer].getName)
    p
  }
  log.warn("kafka producer init done!")
  ssc.sparkContext.broadcast(KafkaSink[String, String](kafkaProducerConfig))
}

這樣我們就能在每個executor中愉快的將數據輸入到kafka當中：

//輸出到kafka
segmentedStream.foreachRDD(rdd => {
  if (!rdd.isEmpty) {
    rdd.foreach(record => {
      kafkaProducer.value.send(Conf.outTopics, record._1.toString, record._2)
      // do something else
    })
  }
})

Spark streaming+Kafka應用

一般Spark Streaming進行流式處理，首先利用上文我們闡述的Direct方式從Kafka拉取batch，之后經過分詞、統計等相關處理，回寫到DB上（一般為Hbase或者Mysql），由此高效實時的完成每天大量數據的詞頻統計任務。

Spark streaming+Kafka調優

Spark streaming+Kafka的使用中，當數據量較小，很多時候默認配置和使用便能夠滿足情況，但是當數據量大的時候，就需要進行一定的調整和優化，而這種調整和優化本身也是不同的場景需要不同的配置。

1 合理的批處理時間（batchDuration）

幾乎所有的Spark Streaming調優文檔都會提及批處理時間的調整，在StreamingContext初始化的時候，有一個參數便是批處理時間的設定。如果這個值設置的過短，即個batchDuration所產生的Job並不能在這期間完成處理，那么就會造成數據不斷堆積，最終導致Spark Streaming發生阻塞。而且，一般對於batchDuration的設置不會小於500ms，因為過小會導致SparkStreaming頻繁的提交作業，對整個streaming造成額外的負擔。在平時的應用中，根據不同的應用場景和硬件配置，我設在1~10s之間，我們可以根據SparkStreaming的可視化監控界面，觀察Total Delay來進行batchDuration的調整，如下圖：

2 合理的Kafka拉取量（maxRatePerPartition重要）

對於Spark Streaming消費kafka中數據的應用場景，這個配置是非常關鍵的，配置參數為：spark.streaming.kafka.maxRatePerPartition。這個參數默認是沒有上線的，即kafka當中有多少數據它就會直接全部拉出。而根據生產者寫入Kafka的速率以及消費者本身處理數據的速度，同時這個參數需要結合上面的batchDuration，使得每個partition拉取在每個batchDuration期間拉取的數據能夠順利的處理完畢，做到盡可能高的吞吐量，而這個參數的調整可以參考可視化監控界面中的Input Rate和Processing Time，如下圖：

3 緩存反復使用的Dstream（RDD）

Spark中的RDD和SparkStreaming中的Dstream，如果被反復的使用，最好利用cache()，將該數據流緩存起來，防止過度的調度資源造成的網絡開銷。可以參考觀察Scheduling Delay參數，如下圖：

4 設置合理的GC

長期使用Java的小伙伴都知道，JVM中的垃圾回收機制，可以讓我們不過多的關注與內存的分配回收，更加專注於業務邏輯，JVM都會為我們搞定。對JVM有些了解的小伙伴應該知道，在Java虛擬機中，將內存分為了初生代（eden generation）、年輕代（young generation）、老年代（old generation）以及永久代（permanent generation），其中每次GC都是需要耗費一定時間的，尤其是老年代的GC回收，需要對內存碎片進行整理，通常采用標記-清楚的做法。同樣的在Spark程序中，JVM GC的頻率和時間也是影響整個Spark效率的關鍵因素。在通常的使用中建議：

--conf "spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC"

5 設置合理的CPU資源數

CPU的core數量，每個executor可以占用一個或多個core，可以通過觀察CPU的使用率變化來了解計算資源的使用情況，例如，很常見的一種浪費是一個executor占用了多個core，但是總的CPU使用率卻不高（因為一個executor並不總能充分利用多核的能力），這個時候可以考慮讓么個executor占用更少的core，同時worker下面增加更多的executor，或者一台host上面增加更多的worker來增加並行執行的executor的數量，從而增加CPU利用率。但是增加executor的時候需要考慮好內存消耗，因為一台機器的內存分配給越多的executor，每個executor的內存就越小，以致出現過多的數據spill over甚至out of memory的情況。

6 設置合理的parallelism

partition和parallelism，partition指的就是數據分片的數量，每一次task只能處理一個partition的數據，這個值太小了會導致每片數據量太大，導致內存壓力，或者諸多executor的計算能力無法利用充分；但是如果太大了則會導致分片太多，執行效率降低。在執行action類型操作的時候（比如各種reduce操作），partition的數量會選擇parent RDD中最大的那一個。而parallelism則指的是在RDD進行reduce類操作的時候，默認返回數據的paritition數量（而在進行map類操作的時候，partition數量通常取自parent RDD中較大的一個，而且也不會涉及shuffle，因此這個parallelism的參數沒有影響）。所以說，這兩個概念密切相關，都是涉及到數據分片的，作用方式其實是統一的。通過spark.default.parallelism可以設置默認的分片數量，而很多RDD的操作都可以指定一個partition參數來顯式控制具體的分片數量。
在SparkStreaming+kafka的使用中，我們采用了Direct連接方式，前文闡述過Spark中的partition和Kafka中的Partition是一一對應的，我們一般默認設置為Kafka中Partition的數量。

7 使用高性能的算子

這里參考了美團技術團隊的博文，並沒有做過具體的性能測試，其建議如下：

• 使用reduceByKey/aggregateByKey替代groupByKey
• 使用mapPartitions替代普通map
• 使用foreachPartitions替代foreach
• 使用filter之后進行coalesce操作
• 使用repartitionAndSortWithinPartitions替代repartition與sort類操作

8 使用Kryo優化序列化性能

這個優化原則我本身也沒有經過測試，但是好多優化文檔有提到，這里也記錄下來。
在Spark中，主要有三個地方涉及到了序列化：

• 在算子函數中使用到外部變量時，該變量會被序列化后進行網絡傳輸（見“原則七：廣播大變量”中的講解）。
• 將自定義的類型作為RDD的泛型類型時（比如JavaRDD，Student是自定義類型），所有自定義類型對象，都會進行序列化。因此這種情況下，也要求自定義的類必須實現Serializable接口。
• 使用可序列化的持久化策略時（比如MEMORY_ONLY_SER），Spark會將RDD中的每個partition都序列化成一個大的字節數組。

對於這三種出現序列化的地方，我們都可以通過使用Kryo序列化類庫，來優化序列化和反序列化的性能。Spark默認使用的是Java的序列化機制，也就是ObjectOutputStream/ObjectInputStream API來進行序列化和反序列化。但是Spark同時支持使用Kryo序列化庫，Kryo序列化類庫的性能比Java序列化類庫的性能要高很多。官方介紹，Kryo序列化機制比Java序列化機制，性能高10倍左右。Spark之所以默認沒有使用Kryo作為序列化類庫，是因為Kryo要求最好要注冊所有需要進行序列化的自定義類型，因此對於開發者來說，這種方式比較麻煩。

以下是使用Kryo的代碼示例，我們只要設置序列化類，再注冊要序列化的自定義類型即可（比如算子函數中使用到的外部變量類型、作為RDD泛型類型的自定義類型等）：

// 創建SparkConf對象。
val conf = new SparkConf().setMaster(...).setAppName(...)
// 設置序列化器為KryoSerializer。
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
// 注冊要序列化的自定義類型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))

結果

經過種種調試優化，我們最終要達到的目的是，Spark Streaming能夠實時的拉取Kafka當中的數據，並且能夠保持穩定，如下圖所示：

當然不同的應用場景會有不同的圖形，這是本文詞頻統計優化穩定后的監控圖，我們可以看到Processing Time這一柱形圖中有一Stable的虛線，而大多數Batch都能夠在這一虛線下處理完畢，說明整體Spark Streaming是運行穩定的。