spark-streaming集成Kafka处理实时数据
在这篇文章里,我们模拟了一个场景,实时分析订单数据,统计实时收益。
场景模拟
我试图覆盖工程上最为常用的一个场景:
1)首先,向Kafka里实时的写入订单数据,JSON格式,包含订单ID-订单类型-订单收益
2)然后,spark-streaming每十秒实时去消费kafka中的订单数据,并以订单类型分组统计收益
3)最后,spark-streaming统计结果实时的存入本地MySQL。
前提条件
安装
1)spark:我使用的yarn-client模式下的spark,环境中集群客户端已经搞定
2)zookeeper:我使用的是这个集群:10.93.21.21:2181,10.93.18.34:2181,10.93.18.35:2181
3)kafka:我使用的是standalone模式:10.93.21.21:9093
4)mysql:10.93.84.53:3306
语言
python:pykafka,pip install pykafka
java:spark,spark-streaming
下面开始
1、数据写入kafka
- kafka写入
我们使用pykafka模拟数据实时写入,代码如下:
kafka_producer.py
# -* coding:utf8 *- import time import json import uuid import random import threading from pykafka import KafkaClient # 创建kafka实例 hosts = '10.93.21.21:9093' client = KafkaClient(hosts=hosts) # 打印一下有哪些topic print client.topics # 创建kafka producer句柄 topic = client.topics['kafka_spark'] producer = topic.get_producer() # work def work(): while 1: msg = json.dumps({ "id": str(uuid.uuid4()).replace('-', ''), "type": random.randint(1, 5), "profit": random.randint(13, 100)}) producer.produce(msg) # 多线程执行 thread_list = [threading.Thread(target=work) for i in range(10)] for thread in thread_list: thread.setDaemon(True) thread.start() time.sleep(60) # 关闭句柄, 退出 producer.stop()
可以看到,我们写入的形式是一个json,订单id是一个uuid,订单类型type从1-5随机,订单收益profit从13-100随机,形如
{"id": ${uid}, "type": 1, "profit": 30}
注意:1)python对kafka的读写不需要借助zookeeper,2)使用多线程的形式写入,让数据量具有一定的规模。
执行producer,会持续写入数据1分钟。
python kafka_producer.py
- 验证一下
kafka_consumer.py
# -* coding:utf8 *- from pykafka import KafkaClient hosts = '10.93.21.21:9093' client = KafkaClient(hosts=hosts) # 消费者 topic = client.topics['kafka_spark'] consumer = topic.get_simple_consumer(consumer_group='test', auto_commit_enable=True, auto_commit_interval_ms=1, consumer_id='test') for message in consumer: if message is not None: print message.offset, message.value
执行,可以消费kafka刚才写入的数据
python kafka_consumer.py
2、spark-streaming
1)先解决依赖
其中比较核心的是spark-streaming和kafka集成包spark-streaming-kafka_2.10,还有spark引擎spark-core_2.10
json和mysql看大家爱好。
pom.xml
<dependencies> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka_2.10</artifactId> <version>1.6.0</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming_2.10</artifactId> <version>1.6.0</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.10</artifactId> <version>1.6.0</version> <scope>provided</scope> </dependency> <dependency> <groupId>com.alibaba</groupId> <artifactId>fastjson</artifactId> <version>1.2.19</version> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>5.1.38</version> </dependency> <dependency> <groupId>commons-dbcp</groupId> <artifactId>commons-dbcp</artifactId> <version>1.4</version> </dependency> </dependencies>
2)MySQL准备
- 建表
我们的结果去向是MySQL,先建立一个结果表。
id:主键,自增id
type:订单类型
profit:每个spark batch聚合出的订单收益结果
time:时间戳
CREATE TABLE `order` ( `id` int(11) NOT NULL AUTO_INCREMENT, `type` int(11) DEFAULT NULL, `profit` int(11) DEFAULT NULL, `time` mediumtext, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=56 DEFAULT CHARSET=utf8
- Java客户端
采用了单例线程池的模式简单写了一下。
ConnectionPool.java
package com.xiaoju.dqa.realtime_streaming; import java.sql.Connection; import java.sql.DriverManager; import java.util.LinkedList; public class ConnectionPool { private static LinkedList<Connection> connectionQueue; static { try { Class.forName("com.mysql.jdbc.Driver"); } catch (ClassNotFoundException e) { e.printStackTrace(); } } public synchronized static Connection getConnection() { try { if (connectionQueue == null) { connectionQueue = new LinkedList<Connection>(); for (int i = 0; i < 5; i++) { Connection conn = DriverManager.getConnection( "jdbc:mysql://10.93.84.53:3306/big_data", "root", "1234"); connectionQueue.push(conn); } } } catch (Exception e) { e.printStackTrace(); } return connectionQueue.poll(); } public static void returnConnection(Connection conn){connectionQueue.push(conn);} }
3)代码实现
我用java写的,不会用scala很尴尬。
即时用java整个的处理过程依然比较简单。跟常见的wordcount也没有多大的差别。
SparkStreaming特点
spark的特点就是RDD,通过对RDD的操作,来屏蔽分布式运算的复杂度。
而spark-streaming的操作对象是RDD的时间序列DStream,这个序列的生成是跟batch的选取有关。例如我这里Batch是10s一个,那么每隔10s会产出一个RDD,对RDD的切割和序列的生成,spark-streaming对我们透明了。唯一暴露给我们的DStream和原生RDD的使用方式基本一致。
这里需要讲解一下MySQL写入注意的事项。
MySQL写入
在处理mysql写入时使用了foreachPartition方法,即,在foreachPartition中使用borrow mysql句柄。
这样做的原因是:
1)你无法再Driver端创建mysql句柄,并通过序列化的形式发送到worker端
2)如果你在处理rdd中创建mysql句柄,很容易对每一条数据创建一个句柄,在处理过程中很快内存就会溢出。
OrderProfitAgg.java
package com.xiaoju.dqa.realtime_streaming; import com.alibaba.fastjson.JSON; import com.alibaba.fastjson.JSONObject; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.api.java.function.VoidFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import org.apache.spark.streaming.kafka.KafkaUtils; import scala.Tuple2; import java.sql.Connection; import java.sql.Statement; import java.util.*; /* * 生产者可以选用kafka自带的producer脚本 * bin/kafka-console-producer.sh --broker-list localhost:9093 --topic test * */ public class OrderProfitAgg { public static void main(String[] args) throws InterruptedException { /* * kafka所注册的zk集群 * */ String zkQuorum = "10.93.21.21:2181,10.93.18.34:2181,10.93.18.35:2181"; /* * spark-streaming消费kafka的topic名称, 多个以逗号分隔 * */ String topics = "kafka_spark,kafka_spark2"; /* * 消费组 group * */ String group = "bigdata_qa"; /* * 消费进程数 * */ int numThreads = 2; /* * 选用yarn队列模式, spark-streaming程序的app名称是"order profit" * */ SparkConf sparkConf = new SparkConf().setMaster("yarn-client").setAppName("order profit"); /* * 创建sc, 全局唯一, 设置logLevel可以打印一些东西到控制台 * */ JavaSparkContext sc = new JavaSparkContext(sparkConf); sc.setLogLevel("WARN"); /* * 创建jssc, spark-streaming的batch是每10s划分一个 * */ JavaStreamingContext jssc = new JavaStreamingContext(sc, Durations.seconds(10)); /* * 准备topicMap * */ Map<String ,Integer> topicMap = new HashMap<String, Integer>(); for (String topic : topics.split(",")) { topicMap.put(topic, numThreads); } /* * kafka数据流 * */ List<JavaPairReceiverInputDStream<String, String>> streams = new ArrayList<JavaPairReceiverInputDStream<String, String>>(); for (int i = 0; i < numThreads; i++) { streams.add(KafkaUtils.createStream(jssc, zkQuorum, group, topicMap)); } /* * 从kafka消费数据的RDD * */ JavaPairDStream<String, String> streamsRDD = streams.get(0); for (int i = 1; i < streams.size(); i++) { streamsRDD = streamsRDD.union(streams.get(i)); } /* * kafka消息形如: {"id": ${uuid}, "type": 1, "profit": 35} * 统计结果, 以type分组的总收益 * mapToPair, 将kafka消费的数据, 转化为type-profit key-value对 * reduceByKey, 以type分组, 聚合profit * */ JavaPairDStream<Integer, Integer> profits = streamsRDD.mapToPair(new PairFunction<Tuple2<String, String>, Integer, Integer>() { @Override public Tuple2<Integer, Integer> call(Tuple2<String, String> s_tuple2) throws Exception { JSONObject jsonObject = JSON.parseObject(s_tuple2._2); return new Tuple2<Integer, Integer>(jsonObject.getInteger("type"), jsonObject.getInteger("profit")); } }).reduceByKey(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer i1, Integer i2) throws Exception { return i1 + i2; } }); /* * 输出结果到MySQL * 需要为每一个partition创建一个MySQL句柄, 使用foreachPartition * */ profits.foreachRDD(new Function<JavaPairRDD<Integer, Integer>, Void>() { @Override public Void call(JavaPairRDD<Integer, Integer> integerIntegerJavaPairRDD) throws Exception { integerIntegerJavaPairRDD.foreachPartition(new VoidFunction<Iterator<Tuple2<Integer, Integer>>>() { @Override public void call(Iterator<Tuple2<Integer, Integer>> tuple2Iterator) throws Exception { Connection connection = ConnectionPool.getConnection(); Statement stmt = connection.createStatement(); long timestamp = System.currentTimeMillis(); while(tuple2Iterator.hasNext()) { Tuple2<Integer, Integer> tuple = tuple2Iterator.next(); Integer type = tuple._1; Integer profit = tuple._2; String sql = String.format("insert into `order` (`type`, `profit`, `time`) values (%s, %s, %s)", type, profit, timestamp); stmt.executeUpdate(sql); } ConnectionPool.returnConnection(connection); } }); return null; } }); /* * 开始计算, 等待计算结束 * */ jssc.start(); try { jssc.awaitTermination(); } catch (Exception ex) { ex.printStackTrace(); } finally { jssc.close(); } } }
4)打包方法
编写pom.xml build tag。
mvn clean package打包即可。
pom.xml
<build> <plugins> <plugin> <artifactId>maven-assembly-plugin</artifactId> <configuration> <archive> <manifest> <!--这里要替换成jar包main方法所在类 --> <!--<mainClass>com.bigdata.qa.hotdog.driver.WordCount</mainClass>--> <mainClass>com.xiaoju.dqa.realtime_streaming.OrderProfitAgg</mainClass> </manifest> </archive> <descriptorRefs> <descriptorRef>jar-with-dependencies</descriptorRef> </descriptorRefs> </configuration> <executions> <execution> <id>make-assembly</id> <!-- this is used for inheritance merges --> <phase>package</phase> <!-- 指定在打包节点执行jar包合并操作 --> <goals> <goal>single</goal> </goals> </execution> </executions> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <configuration> <source>1.6</source> <target>1.6</target> </configuration> </plugin> </plugins> </build>
3、执行与结果
1)执行kafka_producer.py
python kafka_producer.py
2) 执行spark-streaming
这里使用的是默认参数提交yarn队列。
spark-submit --queue=root.XXXX realtime-streaming-1.0-SNAPSHOT-jar-with-dependencies.jar
3)查看结果
到MySQL中查看结果,每隔10秒会聚合出type=1-5的5条数据。
例如第一条数据,就是type=4这种类型的业务,在10s内收益是555473元。业务量惊人啊。哈哈。
完结。