Flume+Kafka+SparkStreaming+Hbase+可視化（二）

分布式消息緩存Kafka

 

1、消息中間件：生產者和消費者 生產者、消費者、數據流（消息）

• 發布和訂閱消息
• 容錯存儲消息記錄
• 處理流數據

Kafka架構：

procedure：生產者

consumer：消費者

broker：容錯存儲

topic：分類主題、標簽

consumer group：一個consumer最多消費一個分區的數據 consumer數量=partitions

磁盤順序讀寫，省掉尋道時間，提高性能

零字節拷貝：內核空間和用戶空間不直接拷貝、SendFile

/opt/bigdata/kafka_2.11-1.0.0/kafka-log2s/logkafka-0/00000000000000000000.index index的序號就是message在日志文件中的相對offset（偏移量）

offsetIndex是稀疏索引，先根據offset找到對應log文件，計算 offset - （log文件第一個offset -1） 得到相對索引，再到index文件找到消息。如果index找不到，則取最近的，再去log文件對應位置向下查找

ack: 0 :不等待broker返回確認消息，無阻塞

1 ：partitions 中的leader 保存成功

-1: partitions 中的leader和follower都成功

 

啟動ZK：

啟動Kafka：kafkaStart.sh

nohup $KAFKA_HOME/bin/kafka-server-start.sh $KAFKA_HOME/config/server0.properties &

nohup $KAFKA_HOME/bin/kafka-server-start.sh $KAFKA_HOME/config/server1.properties &

nohup $KAFKA_HOME/bin/kafka-server-start.sh $KAFKA_HOME/config/server2.properties &

 

創建Topic：

kafka-topics.sh --create --zookeeper bigdata:2181,bigdata:2182,bigdata:2183 --replication-factor 1 --partitions 1 --topic logkafka

--partitions 可以提高消費並發

 

查看Topic：

kafka-topics.sh --list --zookeeper bigdata:2181

kafka-topics.sh --describe --zookeeper bigdata:2181 --topic test (指定Topic，否則查看所有topic的詳細信息)

 

發送消息：

kafka-console-producer.sh --broker-list localhost:9092 --topic logkafka

 

接受消息：

kafka-console-consumer.sh --zookeeper bigdata:2181 --topic logkafka --from-beginning （--from-beginning . 是否從頭開始消費消息）

 

停止Kafka：kafkaStop.sh

$KAFKA_HOME/bin/kafka-server-stop.sh $KAFKA_HOME/config/server0.properties &

$KAFKA_HOME/bin/kafka-server-stop.sh $KAFKA_HOME/config/server1.properties &

$KAFKA_HOME/bin/kafka-server-stop.sh $KAFKA_HOME/config/server2.properties &

 

兩種方式連接Kafka：簡單理解為：Receiver方式是通過zookeeper來連接kafka隊列，Direct方式是直接連接到kafka的節點上獲取數據

Receiver:

1、Kafka中topic的partition與Spark中RDD的partition是沒有關系的，因此，在KafkaUtils.createStream()中，提高partition的數量，只會增加Receiver的數量，也就是讀取Kafka中topic partition的線程數量，不會增加Spark處理數據的並行度。

2、可以創建多個Kafka輸入DStream，使用不同的consumer group和topic，來通過多個receiver並行接收數據。

3、如果基於容錯的文件系統，比如HDFS，啟用了預寫日志機制，接收到的數據都會被復制一份到預寫日志中。因此，在KafkaUtils.createStream()中，設置的持久化級別是StorageLevel.MEMORY_AND_DISK_SER。

Direct：

1、簡化並行讀取：如果要讀取多個partition，不需要創建多個輸入DStream，然后對它們進行union操作。Spark會創建跟Kafka partition一樣多的RDD partition，並且會並行從Kafka中讀取數據。所以在Kafka partition和RDD partition之間，有一個一對一的映射關系。

2、高性能：如果要保證零數據丟失，在基於receiver的方式中，需要開啟WAL機制。這種方式其實效率低下，因為數據實際上被復制了兩份，Kafka自己本身就有高可靠的機制會對數據復制一份，而這里又會復制一份到WAL中。而基於direct的方式，不依賴Receiver，不需要開啟WAL機制，只要Kafka中作了數據的復制，那么就可以通過Kafka的副本進行恢復。

3、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機制可以保證數據零丟失的高可靠性，但是卻無法保證數據被處理一次且僅一次，可能會處理兩次。因為Spark和ZooKeeper之間可能是不同步的。基於direct的方式，使用kafka的簡單api，Spark Streaming自己就負責追蹤消費的offset，並保存在checkpoint中。Spark自己一定是同步的，因此可以保證數據是消費一次且僅消費一次。由於數據消費偏移量是保存在checkpoint中，因此，如果后續想使用kafka高級API消費數據，需要手動的更新zookeeper中的偏移量

 

2、API操作

<dependency>  

       <groupId>org.apache.kafka</groupId>  

        <artifactId>kafka_2.11</artifactId>  

        <version>1.0.0</version>     

</dependency>  

 

Scala版 Producer ：

package com.kafka
import java.util.HashMap
import org.apache.kafka.clients.producer.{KafkaProducer, ProducerConfig, ProducerRecord}
object producer {
　　def main(args: Array[String]): Unit = {
　　// 傳參
　　if (args.length < 4){
　　System.err.println("Usage: producer <metadataBrokerList> <topics> <messageSec> <wordsPerMessage>")
　　System.exit(1)
　　}
　　val Array(brokers, topics, messageSec, wordsPerMessage) = args
　　// ZK 配置
　　val zkProps = new HashMap[String, Object]()
　　zkProps.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, brokers)
　　zkProps.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer")
　　zkProps.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer")
　　// Kafka Producer
　　val producer = new KafkaProducer[String, String](zkProps)
　　var i = 0
　　for ( i <- 1 to 10) {
　　　　(1 to messageSec.toInt).foreach { messageNum =>
　　　　　　val msg = (1 to wordsPerMessage.toInt).map(x => scala.util.Random.nextInt(10).toString).mkString(" ")
　　　　　　val msgs = new ProducerRecord[String, String](topics, null, msg)
　　　　　　producer.send(msgs)
　　　　}
　　　　Thread.sleep(100)
　　　}
　　}
}

　　

3、整合Flume：

conf1：exec-mem-avro.conf

# Name the components on this agent
a1.sources = exec-source
a1.channels = memory-channel
a1.sinks = avro-sink
 
# configure for sources
a1.sources.exec-source.type = exec
a1.sources.exec-source.command = tail -F /opt/datas/log-collect-system/log_server.log
 
# configure for channels
a1.channels.memory-channel.type = memory
a1.channels.memory-channel.capacity = 1000
a1.channels.memory-channel.transactionCapacity = 100
 
# configure for sinks
a1.sinks.avro-sink.type = avro
a1.sinks.avro-sink.hostname = localhost
a1.sinks.avro-sink.port = 44444
 
# configure
a1.sinks.avro-sink.channel = memory-channel
a1.sources.exec-source.channels = memory-channel

 

Kafka conf：exec-memory-kafka.cnf

# Name the components on this agent
a1.sources = avro-source
a1.channels = memory-channel
a1.sinks = logger-sink
 
# configure for sources
a1.sources.avro-source.type = avro
a1.sources.avro-source.bind = localhost
a1.sources.avro-source.port = 44444
 
# configure for channels
a1.channels.memory-channel.type = memory
a1.channels.memory-channel.capacity = 1000
a1.channels.memory-channel.transactionCapacity = 100
 
# configure for sinks
a1.sinks.kafka-sink.type = org.apache.flume.sink.kafka.KafkaSink
#a1.sinks.kafka-sink.bootstrap.servers = bigdata:9092,bigdata:9093,bigdata:9094
a1.sinks.kafka-sink.brokerList = bigdata:9092,bigdata:9093,bigdata:9094
a1.sinks.kafka-sink.topic = logkafka
 
# configure
a1.sinks.kafka-sink.channel = memory-channel
a1.sources.avro-source.channels = memory-channel