前言

最近工作中是做日志分析的平臺，采用了sparkstreaming+kafka，采用kafka主要是看中了它對大數(shù)據(jù)量處理的高性能，處理日志類應(yīng)用再好不過了，采用了sparkstreaming的流處理框架 主要是考慮到它本身是基于spark核心的，以后的批處理可以一站式服務(wù)，并且可以提供準(zhǔn)實時服務(wù)到elasticsearch中，可以實現(xiàn)準(zhǔn)實時定位系統(tǒng)日志。

實現(xiàn)

Spark-Streaming獲取kafka數(shù)據(jù)的兩種方式-Receiver與Direct的方式。

一. 基于Receiver方式

這種方式使用Receiver來獲取數(shù)據(jù)。Receiver是使用Kafka的高層次Consumer API來實現(xiàn)的。receiver從Kafka中獲取的數(shù)據(jù)都是存儲在Spark Executor的內(nèi)存中的，然后Spark Streaming啟動的job會去處理那些數(shù)據(jù)。代碼如下：

SparkConf sparkConf = new SparkConf().setAppName("log-etl").setMaster("local[4]"); 
    JavaStreamingContext jssc = new JavaStreamingContext(sparkConf, new Duration(2000)); 
    int numThreads = Integer.parseInt("4"); 
    Map<String, Integer> topicMap = new HashMap<String, Integer>(); 
    topicMap.put("group-45", numThreads); 
     //接收的參數(shù)分別是JavaStreamingConetxt,zookeeper連接地址,groupId,kafak的topic  
    JavaPairReceiverInputDStream<String, String> messages = 
    KafkaUtils.createStream(jssc, "172.16.206.27:2181,172.16.206.28:2181,172.16.206.29:2181", "1", topicMap); 

剛開始的時候系統(tǒng)正常運行，沒有發(fā)現(xiàn)問題，但是如果系統(tǒng)異常重新啟動sparkstreaming程序后，發(fā)現(xiàn)程序會重復(fù)處理已經(jīng)處理過的數(shù)據(jù)，這種基于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(shù)據(jù)的傳統(tǒng)方式。這種方式配合著WAL機制可以保證數(shù)據(jù)零丟失的高可靠性，但是卻無法保證數(shù)據(jù)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。官方現(xiàn)在也已經(jīng)不推薦這種整合方式，官網(wǎng)相關(guān)地址 http://spark.apache.org/docs/latest/streaming-kafka-integration.html ，下面我們使用官網(wǎng)推薦的第二種方式kafkaUtils的createDirectStream()方式。

二.基于Direct的方式

這種新的不基于Receiver的直接方式，是在Spark 1.3中引入的，從而能夠確保更加健壯的機制。替代掉使用Receiver來接收數(shù)據(jù)后，這種方式會周期性地查詢Kafka，來獲得每個topic+partition的***的offset，從而定義每個batch的offset的范圍。當(dāng)處理數(shù)據(jù)的job啟動時，就會使用Kafka的簡單consumer api來獲取Kafka指定offset范圍的數(shù)據(jù)。

代碼如下：

SparkConf sparkConf = new SparkConf().setAppName("log-etl"); 
JavaStreamingContext jssc = new JavaStreamingContext(sparkConf, Durations.seconds(2)); 
 
HashSet<String> topicsSet = new HashSet<String>(Arrays.asList(topics.split(","))); 
HashMap<String, String> kafkaParams = new HashMap<String, String>(); 
kafkaParams.put("metadata.broker.list", brokers); 
// Create direct kafka stream with brokers and topics 
JavaPairInputDStream<String, String> messages = KafkaUtils.createDirectStream( 
    jssc, 
    String.class, 
    String.class, 
    StringDecoder.class, 
    StringDecoder.class, 
    kafkaParams, 
    topicsSet 
); 

這種direct方式的優(yōu)點如下：

1.簡化并行讀?。喝绻x取多個partition，不需要創(chuàng)建多個輸入DStream然后對它們進(jìn)行union操作。Spark會創(chuàng)建跟Kafka partition一樣多的RDD partition，并且會并行從Kafka中讀取數(shù)據(jù)。所以在Kafka partition和RDD partition之間，有一個一對一的映射關(guān)系。

2.一次且僅一次的事務(wù)機制：基于receiver的方式，在spark和zk中通信，很有可能導(dǎo)致數(shù)據(jù)的不一致。

3.高效率：在receiver的情況下，如果要保證數(shù)據(jù)的不丟失，需要開啟wal機制，這種方式下，為、數(shù)據(jù)實際上被復(fù)制了兩份，一份在kafka自身的副本中，另外一份要復(fù)制到wal中， direct方式下是不需要副本的。

三.基于Direct方式丟失消息的問題

貌似這種方式很***，但是還是有問題的，當(dāng)業(yè)務(wù)需要重啟sparkstreaming程序的時候，業(yè)務(wù)日志依然會打入到kafka中，當(dāng)job重啟后只能從***的offset開始消費消息，造成重啟過程中的消息丟失。kafka中的offset如下圖(使用kafkaManager實時監(jiān)控隊列中的消息)：

當(dāng)停止業(yè)務(wù)日志的接受后，先重啟spark程序，但是發(fā)現(xiàn)job并沒有將先前打入到kafka中的數(shù)據(jù)消費掉。這是因為消息沒有經(jīng)過zk，topic的offset也就沒有保存

四.解決消息丟失的處理方案

一般有兩種方式處理這種問題，可以先spark streaming 保存offset，使用spark checkpoint機制，第二種是程序中自己實現(xiàn)保存offset邏輯，我比較喜歡第二種方式，以為這種方式可控，所有主動權(quán)都在自己手中。

先看下大體流程圖，

SparkConf sparkConf = new SparkConf().setMaster("local[2]").setAppName("log-etl"); 
 Set<String> topicSet = new HashSet<String>(); 
        topicSet.add("group-45"); 
        kafkaParam.put("metadata.broker.list", "172.16.206.17:9092,172.16.206.31:9092,172.16.206.32:9092"); 
        kafkaParam.put("group.id", "simple1"); 
 
        // transform java Map to scala immutable.map 
        scala.collection.mutable.Map<String, String> testMap = JavaConversions.mapAsScalaMap(kafkaParam); 
        scala.collection.immutable.Map<String, String> scalaKafkaParam = 
                testMap.toMap(new Predef.$less$colon$less<Tuple2<String, String>, Tuple2<String, String>>() { 
                    public Tuple2<String, String> apply(Tuple2<String, String> v1) { 
                        return v1; 
                    } 
                }); 
 
        // init KafkaCluster 
        kafkaCluster = new KafkaCluster(scalaKafkaParam); 
 
        scala.collection.mutable.Set<String> mutableTopics = JavaConversions.asScalaSet(topicSet); 
        immutableTopics = mutableTopics.toSet(); 
        scala.collection.immutable.Set<TopicAndPartition> topicAndPartitionSet2 = kafkaCluster.getPartitions(immutableTopics).right().get(); 
 
        // kafka direct stream 初始化時使用的offset數(shù)據(jù) 
        Map<TopicAndPartition, Long> consumerOffsetsLong = new HashMap<TopicAndPartition, Long>(); 
 
        // 沒有保存offset時（該group***消費時）, 各個partition offset 默認(rèn)為0 
        if (kafkaCluster.getConsumerOffsets(kafkaParam.get("group.id"), topicAndPartitionSet2).isLeft()) { 
 
            System.out.println(kafkaCluster.getConsumerOffsets(kafkaParam.get("group.id"), topicAndPartitionSet2).left().get()); 
 
            Set<TopicAndPartition> topicAndPartitionSet1 = JavaConversions.setAsJavaSet((scala.collection.immutable.Set)topicAndPartitionSet2); 
 
            for (TopicAndPartition topicAndPartition : topicAndPartitionSet1) { 
                consumerOffsetsLong.put(topicAndPartition, 0L); 
            } 
 
        } 
        // offset已存在, 使用保存的offset 
        else { 
 
            scala.collection.immutable.Map<TopicAndPartition, Object> consumerOffsetsTemp = kafkaCluster.getConsumerOffsets("simple1", topicAndPartitionSet2).right().get(); 
 
            Map<TopicAndPartition, Object> consumerOffsets = JavaConversions.mapAsJavaMap((scala.collection.immutable.Map)consumerOffsetsTemp); 
 
            Set<TopicAndPartition> topicAndPartitionSet1 = JavaConversions.setAsJavaSet((scala.collection.immutable.Set)topicAndPartitionSet2); 
 
            for (TopicAndPartition topicAndPartition : topicAndPartitionSet1) { 
                Long offset = (Long)consumerOffsets.get(topicAndPartition); 
                consumerOffsetsLong.put(topicAndPartition, offset); 
            } 
 
        } 
 
        JavaStreamingContext jssc = new JavaStreamingContext(sparkConf, new Duration(5000)); 
        kafkaParamBroadcast = jssc.sparkContext().broadcast(kafkaParam); 
 
        // create direct stream 
        JavaInputDStream<String> message = KafkaUtils.createDirectStream( 
                jssc, 
                String.class, 
                String.class, 
                StringDecoder.class, 
                StringDecoder.class, 
                String.class, 
                kafkaParam, 
                consumerOffsetsLong, 
                new Function<MessageAndMetadata<String, String>, String>() { 
                    public String call(MessageAndMetadata<String, String> v1) throws Exception { 
                        System.out.println("接收到的數(shù)據(jù)《《==="+v1.message()); 
                        return v1.message(); 
                    } 
                } 
        ); 
 
        // 得到rdd各個分區(qū)對應(yīng)的offset, 并保存在offsetRanges中 
        final AtomicReference<OffsetRange[]> offsetRanges = new AtomicReference<OffsetRange[]>(); 
 
        JavaDStream<String> javaDStream = message.transform(new Function<JavaRDD<String>, JavaRDD<String>>() { 
            public JavaRDD<String> call(JavaRDD<String> rdd) throws Exception { 
                OffsetRange[] offsets = ((HasOffsetRanges) rdd.rdd()).offsetRanges(); 
                offsetRanges.set(offsets); 
                return rdd; 
            } 
        }); 
 
        // output 
        javaDStream.foreachRDD(new Function<JavaRDD<String>, Void>() { 
 
            public Void call(JavaRDD<String> v1) throws Exception { 
                if (v1.isEmpty()) return null; 
 
                List<String> list = v1.collect(); 
                for(String s:list){ 
                    System.out.println("數(shù)據(jù)==="+s); 
                } 
 
                for (OffsetRange o : offsetRanges.get()) { 
 
                    // 封裝topic.partition 與 offset對應(yīng)關(guān)系 java Map 
                    TopicAndPartition topicAndPartition = new TopicAndPartition(o.topic(), o.partition()); 
                    Map<TopicAndPartition, Object> topicAndPartitionObjectMap = new HashMap<TopicAndPartition, Object>(); 
                    topicAndPartitionObjectMap.put(topicAndPartition, o.untilOffset()); 
 
                    // 轉(zhuǎn)換java map to scala immutable.map 
                    scala.collection.mutable.Map<TopicAndPartition, Object> testMap = 
                            JavaConversions.mapAsScalaMap(topicAndPartitionObjectMap); 
                    scala.collection.immutable.Map<TopicAndPartition, Object> scalatopicAndPartitionObjectMap = 
                            testMap.toMap(new Predef.$less$colon$less<Tuple2<TopicAndPartition, Object>, Tuple2<TopicAndPartition, Object>>() { 
                                public Tuple2<TopicAndPartition, Object> apply(Tuple2<TopicAndPartition, Object> v1) { 
                                    return v1; 
                                } 
                            }); 
 
                    // 更新offset到kafkaCluster 
                    kafkaCluster.setConsumerOffsets(kafkaParamBroadcast.getValue().get("group.id"), scalatopicAndPartitionObjectMap); 
                       System.out.println("原數(shù)據(jù)====》"+o.topic() + " " + o.partition() + " " + o.fromOffset() + " " + o.untilOffset() 
                    ); 
                } 
                return null; 
            } 
        }); 
 
        jssc.start(); 
        jssc.awaitTermination(); 
    } 

基本使用這種方式就可以解決數(shù)據(jù)丟失的問題。