一、環境部署
hadoop集群2.7.1 zookeerper集群 kafka集群：kafka_2.11-0.10.0.0 spark集群：spark-2.0.1-bin-hadoop2.7.tgz 環境搭建可參考我前面幾篇文章。不再贅述 三台機器：master，slave1,slave2
二、啟動集群環境
1.啟動hadoop集群
start-all.sh
2.啟動spark集群
start-master.sh
start-slaves.sh
3.啟動zookeeper集群
在三台機器下均輸入以下命令
zkServer.sh start
4.啟動kafka集群
在三台機器下均輸入以下命令
kafka-server-start.sh -daemon ../config/server.properties
5.jps查看進程
master:
slave1與slave2一樣:
6.創建kafka topic
kafka-topics.sh --create --zookeeper 192.168.31.131:2181,192.168.31.132:2181,192.168.31.133:2181 --replication-factor 3 --partitions 3 --topic test5
故topic為test3 分區為3個，分別為：0,1,2
可用該命令查看
kafka-topics.sh --describe --zookeeper 192.168.31.131:2181,192.168.31.132:2181,192.168.31.133:2181 --topic test5
三、編程,KafkaWordCount.py
編寫spark steaming 代碼，讀取kafka流數據，並統計詞頻
spark streaming 從 kafka 接收數據，有兩種方法：(1)使用receivers和高層次的API;(2)使用Direct API，低層次的kafkaAPI
這里我采用的是第一中方式，基於receivers的方法
具體兩種方式以及編程實例可參考官網
kafka topic 為：test5
partitions： 0,1,2
consumer_group_id: test-consumer-group (在kafka/config/consumer.properties里面查看group.id)
代碼(python 實現)：
# -*- coding: UTF-8 -*- ###spark streaming&&kafka from pyspark import SparkContext from pyspark.streaming import StreamingContext from pyspark.streaming.kafka import KafkaUtils sc=SparkContext("local[2]","KafkaWordCount") #處理時間間隔為2s ssc=StreamingContext(sc,2) zookeeper="192.168.31.131:2181,192.168.31.132:2181,192.168.31.133:2181" #打開一個TCP socket 地址 和 端口號 topic={"test5":0,"test5":1,"test5":2} #要列舉出分區 groupid="test-consumer-group" lines = KafkaUtils.createStream(ssc, zookeeper,groupid,topic) lines1=lines.map(lambda x:x[1]) #注意 取tuple下的第二個即為接收到的kafka流 #對2s內收到的字符串進行分割 words=lines1.flatMap(lambda line:line.split(" ")) #映射為（word，1）元祖 pairs=words.map(lambda word:(word,1)) wordcounts=pairs.reduceByKey(lambda x,y:x+y) #輸出文件，前綴+自動加日期 wordcounts.saveAsTextFiles("/tmp/kafka") wordcounts.pprint() #啟動spark streaming應用 ssc.start() #等待計算終止 ssc.awaitTermination()
四、運行
1.下載依賴的jars包
注意，應該去官網找對應的jar包，例如
kafka2.01對應
下載spark-streaming-kafka-0-8_2.11.jar 我放在了kafka/lib下
2.啟動kafka生產者
kafka-console-producer.sh --broker-list 192.168.31.131:9092 --topic test5
3.運行KafkaWordCount.py
在master下
運行
spark-submit --jars kafka/libs/spark-streaming-kafka-0-8-assembly_2.11-2.0.1.jar KafkaWordCount.py
這里有個小技巧，因為終端報的信息很多，有時候，一些錯誤信息被覆蓋掉了，因此，可將終端的輸出信息輸出到文件中
例如
spark-submit --jars kafka/libs/spark-streaming-kafka-0-8-assembly_2.11-2.0.1.jar KafkaWordCount.py 2> error.txt
便如查看錯誤信息
4.生產者端輸入流數據
5.result
終端打印：
hdfs上：
hadoop fs -ls /tmp/kafka*
四、下一步
考慮使用direct API,待完成
作者：玄月府的小妖在debug
鏈接：http://www.jianshu.com/p/04f8e78ea656
來源：簡書