Spark Streaming是基于微批處理的流式計算引擎，通常是利用Spark Core或者Spark Core與Spark Sql一起來處理數據。在企業實時處理架構中，通常將Spark Streaming和Kafka集成作為整個大數據處理架構的核心環節之一。

針對不同的Spark、Kafka版本，集成處理數據的方式分為兩種：Receiver based Approach和Direct Approach，不同集成版本處理方式的支持，可參考下圖：

Receiver based Approach

基于receiver的方式是使用kafka消費者高階API實現的。

對于所有的receiver，它通過kafka接收的數據會被存儲于spark的executors上，底層是寫入BlockManager中，默認200ms生成一個block(通過配置參數spark.streaming.blockInterval決定)。然后由spark streaming提交的job構建BlockRdd，最終以spark core任務的形式運行。

關于receiver方式，有以下幾點需要注意：

• receiver作為一個常駐線程調度到executor上運行，占用一個cpu
• receiver個數由KafkaUtils.createStream調用次數決定，一次一個receiver
• kafka中的topic分區并不能關聯產生在spark streaming中的rdd分區
• 增加在KafkaUtils.createStream()中的指定的topic分區數，僅僅增加了單個receiver消費的topic的線程數，它不會增加處理數據中的并行的spark的數量【topicMap[topic,num_threads]map的value對應的數值是每個topic對應的消費線程數】
• receiver默認200ms生成一個block，建議根據數據量大小調整block生成周期。
• receiver接收的數據會放入到BlockManager，每個executor都會有一個BlockManager實例，由于數據本地性，那些存在receiver的executor會被調度執行更多的task，就會導致某些executor比較空閑

建議通過參數spark.locality.wait調整數據本地性。該參數設置的不合理，比如設置為10而任務2s就處理結束，就會導致越來越多的任務調度到數據存在的executor上執行，導致任務執行緩慢甚至失敗(要和數據傾斜區分開)

多個kafka輸入的DStreams可以使用不同的groups、topics創建，使用多個receivers接收處理數據

兩種receiver可靠的receiver：

• 可靠的receiver在接收到數據并通過復制機制存儲在spark中時準確的向可靠的數據源發送ack確認不可靠的receiver：
• 不可靠的receiver不會向數據源發送數據已接收確認。 這適用于用于不支持ack的數據源當然，我們也可以自定義receiver。
• receiver處理數據可靠性默認情況下，receiver是可能丟失數據的。
• 可以通過設置spark.streaming.receiver.writeAheadLog.enable為true開啟預寫日志機制，將數據先寫入一個可靠地分布式文件系統如hdfs，確保數據不丟失，但會失去一定性能

限制消費者消費的最大速率涉及三個參數：

• spark.streaming.backpressure.enabled：默認是false，設置為true，就開啟了背壓機制;
• spark.streaming.backpressure.initialRate：默認沒設置初始消費速率，第一次啟動時每個receiver接收數據的最大值;
• spark.streaming.receiver.maxRate：默認值沒設置，每個receiver接收數據的最大速率(每秒記錄數)。每個流每秒最多將消費此數量的記錄，將此配置設置為0或負數將不會對最大速率進行限制

在產生job時，會將當前job有效范圍內的所有block組成一個BlockRDD，一個block對應一個分區

kafka082版本消費者高階API中，有分組的概念，建議使消費者組內的線程數(消費者個數)和kafka分區數保持一致。如果多于分區數，會有部分消費者處于空閑狀態

Direct Approach

direct approach是spark streaming不使用receiver集成kafka的方式，一般在企業生產環境中使用較多。相較于receiver，有以下特點：

1.不使用receiver

不需要創建多個kafka streams并聚合它們

減少不必要的CPU占用

減少了receiver接收數據寫入BlockManager，然后運行時再通過blockId、網絡傳輸、磁盤讀取等來獲取數據的整個過程，提升了效率

無需wal，進一步減少磁盤IO操作

2.direct方式生的rdd是KafkaRDD，它的分區數與kafka分區數保持一致一樣多的rdd分區來消費，更方便我們對并行度進行控制

注意：在shuffle或者repartition操作后生成的rdd，這種對應關系會失效

3.可以手動維護offset，實現exactly once語義

4.數據本地性問題。在KafkaRDD在compute函數中，使用SimpleConsumer根據指定的topic、分區、offset去讀取kafka數據。

但在010版本后，又存在假如kafka和spark處于同一集群存在數據本地性的問題

5.限制消費者消費的最大速率

spark.streaming.kafka.maxRatePerPartition：從每個kafka分區讀取數據的最大速率(每秒記錄數)。這是針對每個分區進行限速，需要事先知道kafka分區數，來評估系統的吞吐量。