kafka flumn sparkstreaming java实现监听文件夹内容保存到Phoenix中
ps:具体Kafka Flumn SparkStreaming的使用 参考前几篇博客
2.4.6.4.1 配置启动Kafka
(1) 在slave机器上配置broker
1) 点击CDH上的kafka进入kafka功能界面,切换到实例页签,点击下方的“添加角色实例”进入添加角色实例界面。
2) 进入添加角色界面,点击Kafka Broker下面的选择主机
3) 进入选择主机界面,将主机全选,之后点击确定
(2) 启动Kafka
(3) 创建主题,主题名为井名,有几个井创建几个对应的主题。
进入kafka的安装目录,公司环境安装地址为/opt/cloudera/parcels/KAFKA-3.1.1-1.3.1.1.p0.2/lib/kafka ,运行下面语句:
bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic topic-name
2.4.6.4.2 配置启动Flumn
2.4.6.4.2.1 配置Flumn
(1) 编写配置
Kafka配置了主题,每个主题配置一组sources、sinks、channels。每组配置中,tier1.sources.r1.spoolDir 设置为对应井深数据存放的文件夹、tier1.sinks.k1.topic设置为对应的主题名。下面是两个主题对应的设置,将上述提到的配置做相应修改就可用。
#配置一个agent,agent的名称可以自定义(如a1) #指定agent的sources(如r1、r2)、sinks(如k1、k2)、channels(如c1、c2) tier1.sources=r1 r2 tier1.sinks=k1 k2 tier1.channels=c1 c2
#描述source r1 #配置目录scource #配置监控的目录,当目录出现新文件时会进行写入 tier1.sources.r1.type = spooldir tier1.sources.r1.spoolDir =/var/flumefile tier1.sources.r1.channels=c1
#配置数据源输出 #设置Kafka接收器,此处最坑,注意版本,此处为Flume 1.6.0的输出槽类型 tier1.sinks.k1.type= org.apache.flume.sink.kafka.KafkaSink #设置Kafka的broker地址和端口号 tier1.sinks.k1.brokerList=master:9092 #设置Kafka的Topic tier1.sinks.k1.topic=topic-test #设置序列化方式 tier1.sinks.k1.serializer.class=kafka.serializer.StringEncoder tier1.sinks.k1.channel=c1
#配置channels类型为 File tier1.channels.c1.type=memory tier1.channels.c1.capacity=10000 tier1.channels.c1.transactionCapacity=100
#描述source r1 #配置目录scource #配置监控的目录,当目录出现新文件时会进行写入 tier1.sources.r2.type = spooldir tier1.sources.r2.spoolDir =/var/flumefile2 tier1.sources.r2.channels=c2
#配置数据源输出 #设置Kafka接收器,此处最坑,注意版本,此处为Flume 1.6.0的输出槽类型 tier1.sinks.k2.type= org.apache.flume.sink.kafka.KafkaSink #设置Kafka的broker地址和端口号 tier1.sinks.k2.brokerList=master:9092 #设置Kafka的Topic tier1.sinks.k2.topic=test #设置序列化方式 tier1.sinks.k2.serializer.class=kafka.serializer.StringEncoder tier1.sinks.k2.channel=c2
#配置channels类型为 File tier1.channels.c2.type=memory tier1.channels.c2.capacity=10000 tier1.channels.c2.transactionCapacity=100 |
(2) 设置Flumn参数
1) 进入Flumn配置界面。
2) 将步骤1的配置粘贴到配置文件(Agent Default Group)
3) 配置代理名称,与配置文件中的命名相同
4) 启动Flumn
2.4.6.4.2.2 解决Flumn整合Kafka jar包版本问题
(1) 将Kafka主目录lib下的如下jar拷贝至Flume的lib目录下,并将Flume原本对应其 他版本jar删除。
kafka_2.10-0.8.2.1.jar、kafka-clients-0.8.2.1.jar、jopt-simple-3.2.jar、 metrics-core-2.2.0.jar、 scala-library-2.10.4.jar、zkclient-0.3.jar等
(2) 下载flume、kafka插件包,flumeng-kafka-plugin.jar并将其放到Flume的lib目录下。
2.4.6.4.3 编写sparkStearing
用sparkStearing作为消费者对Kafka的消息进行消费。
2.4.6.4.3.1 引入jar包
在pom.xml文件中添加下面代码,引入jar包
<dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka-0-10_2.11</artifactId> <version>2.3.1</version> </dependency> </dependencies> |
2.4.6.4.3.2 代码编写
代码编写参考Spark集成Kafka API
Url:http://spark.apache.org/docs/latest/streaming-kafka-0-10-integration.html
// broker地址,可写多个“,”分隔 String brokers = "master:9092"; SparkConf conf = new SparkConf().setMaster("local[*]").setAppName("streamingKafka"); JavaSparkContext sc = new JavaSparkContext(conf); sc.setLogLevel("WARN"); JavaStreamingContext ssc = new JavaStreamingContext(sc, Durations.seconds(10)); // kafka相关参数,必要!缺了会报错 Map<String, Object> kafkaParams = new HashMap<>(); kafkaParams.put("bootstrap.servers", brokers); kafkaParams.put("key.deserializer", StringDeserializer.class); kafkaParams.put("value.deserializer", StringDeserializer.class); kafkaParams.put("group.id", "cloudera_mirrormaker"); // Topic分区 也可以通过配置项实现 // 如果没有初始化偏移量或者当前的偏移量不存在任何服务器上,可以使用这个配置属性 // earliest 当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,从头开始消费 // latest 当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,消费新产生的该分区下的数据 // none topic各分区都存在已提交的offset时,从offset后开始消费;只要有一个分区不存在已提交的offset,则抛出异常 kafkaParams.put("auto.offset.reset", "latest"); // 如果是使用spark-streaming-kafka-0-10,那么我们建议将enable.auto.commit设为false。 // 这个配置只是在这个版本生效,enable.auto.commit如果设为true的话,那么意味着offsets会按照auto.commit.interval.ms中所配置的间隔来周期性自动提交到Kafka中。 // 在Spark Streaming中,将这个选项设置为true的话会使得Spark应用从kafka中读取数据之后就自动提交, // 而不是数据处理之后提交,这不是我们想要的。所以为了更好地控制offsets的提交,我们建议将enable.auto.commit设为false。 kafkaParams.put("enable.auto.commit", false); // 设置消费的topic Collection<String> topicsColl = Arrays.asList("topic-test", "test"); // 获取DStream JavaInputDStream<ConsumerRecord<String, String>> lines = KafkaUtils.createDirectStream(ssc, LocationStrategies.PreferConsistent(), ConsumerStrategies.Subscribe(topicsColl, kafkaParams)); // 遍历JavaInputDStream的到RDD lines.foreachRDD(rdd -> { // 遍历RDD得到每一列的信息 rdd.foreach(x -> { // 获取行 String value = x.value(); // 获取需要保存的每一行的信息 String[] split = value.split(";"); // 判断是否为保存数据需要的格式 // 保存offset,保证每次获取新数据 //获取偏移量 OffsetRange[] offsetRanges = ((HasOffsetRanges) rdd.rdd()).offsetRanges(); //保存偏移量到Kafka ((CanCommitOffsets) lines.inputDStream()).commitAsync(offsetRanges); }); ssc.start(); try { ssc.awaitTermination(); } catch (InterruptedException e) { // TODO Auto-generated catch block e.printStackTrace(); } |
2.4.6.4.3.3 获取数据的格式
会将得到批数据封装成一个RDD,RDD里面存放着ConsumerRecord<String, String>,每一个ConsumerRecord<String, String>对应数据文件中的一行。数据格式为:
ConsumerRecord( topic = test, partition = 0, offset = 547, CreateTime = 1558419603357, checksum = 890333719, serialized key size = -1, serialized value size = 92, key = null, value = 对应该行的数据 |
2.4.6.4.4 数据获取和持久化遇到的问题
(1) 一个文件夹对应一个Topic,SparkSsteaming获取多个topic数据的时候,是并发获取的,每个topic一个线程。
(2) 一个topic对应的文件夹放入多个文件,SparkSteaming会按照文件放入顺序,单线程获取数据。
(3) SparkSteaming会将一批数据封装成RDD,调用RDD.foreach()遍历时,数据处理的代码不能包含外部变量,并且不能调用外部方法。否则会报不可序列化的异常。