【Spark征服之路-4.3-Kafka】

由于接下来关于Spark的内容会涉及到Kafka，所以先学习一下Kafka。

1. Kafka基本概念

1.1 Kafka的介绍

Apache Kafka是分布式发布-订阅消息系统（消息中间件）。它最初由LinkedIn公司开发，之后成为Apache项目的一部分。Kafka是一种快速、可扩展的、设计内在就是分布式的，分区的和可复制的提交日志服务。

就像是一个放鸡蛋的篮子。生产者生产鸡蛋放到篮子中，消费者从篮子中消费鸡蛋。

1.2消息系统

1.2.1Kafka的优势

Kafka就是一个分布式的用于消息存储的消息队列。一般用于大数据的流式处理中。

一些常见的中间件：ActiveMQ，IBMMQ，RabbitMQ，ZMQ 但都不是分布式的。

Apache Kafka与传统消息系统相比，有以下不同：

它是分布式系统，易于向外扩展。

它同时为发布和订阅提供高吞吐量。

它支持多订阅者，当失败时能自动平衡消费者。

它将消息持久化到磁盘，因此可用于批量消费，允许多个消费者消费数据。

1.2.2消息队列的两种模式

1. 点对点模式（一对一，消费者主动拉取数据，消息收到后清除）。
2. 发布订阅模式（一对多，消费者消费数据之后不会删除，数据可以被多个消费者使用）。有两种消费方式，一种是消费者主动拉取操纵，好处是速度可以自己控制，坏处是要维护一个常轮询，不断询问队列是否有新数据产生；另一种是消息队列推送数据，消费者的消费能力不一样，没法根据不同的消费者提供不同的推送速度。

1.3 Kafka的角色

术语	解释
Broker	安装了kafka的节点
Topic	每条发布到Kafka集群的消息都有一个类别，这个类别被称为Topic。（物理上不同Topic的消息分开存储，逻辑上一个Topic的消息虽然保存于一个或多个broker上但用户只需指定消息的Topic即可生产或消费数据而不必关心数据存于何处），发送消息必须有主题。
Partition	Partition是物理上的概念，每个Topic包含一个或多个Partition.
Producer	负责发布消息到Kafka broker
Consumer	消息消费者，向Kafka broker读取消息的客户端
Consumer Group	每个Consumer属于一个特定的Consumer Group（可为每个Consumer指定group name，若不指定group name则属于默认的group） 当consumer去消费数据的时候，会有一个偏移量（offset），一个分区的数据，一个consumer只能消费一次。
replica	partition 的副本，保障 partition 的高可用
leader	replica 中的一个角色， producer 和 consumer 只跟 leader 交互
follower	replica 中的一个角色，从 leader 中复制数据，数据备份，如果leader挂掉，顶替leader的工作
controller	Kafka 集群中的其中一个服务器，用来进行 leader election 以及各种 failover

Kafka中存储的消息，被消费后不会被删除，可以被重复消费，消息会保留多长，由kafka自己去配置。默认7天删除。背后的管理工作由zookeeper来管理。

1.4 Kafka的特性

（1）高吞吐量、低延迟：kafka每秒可以处理几十万条消息，它的延迟最低只有几毫秒，每个topic可以分多个partition, consumer group 对partition进行consume操作。
（2）可扩展性：kafka集群支持热扩展。
（3）持久性、可靠性：消息被持久化到本地磁盘，并且支持数据备份防止数据丢失。
（4）容错性：允许集群中节点失败（若副本数量为n,则允许n-1个节点失败）。
（5）高并发：支持数千个客户端同时读写。

1.5 Kafka集群的安装

登录Kafka的官网Apache Kafka。

Kafka是Java和Scala语言开发的。所以安装Kafka之前必须要保证先安装JDK。

Kafka依赖于Zookeeper的选举机制，所以安装Kafka之前还要保证Zookeeper已经被安装好了。

下载安装包：

注意选择kafka的版本，以及scala的版本。

首先进到software目录当中，如下图所示：

然后将安装包上传上来

解压之后的效果如下图所示，并把原始kafka文件名重命名一下：

重命名之后的效果如下图所示：

解压过后的目录如下图所示：

上传安装包到集群中，并解压。

利用已有的3台机器：node01、node02、node03

修改配置：

·cd config

·vi server.properties

声明Kafka集群对应的一个编号，0、1、2分别代表node01、node02、node03。

所以此时不用改，一会分发给node02、node03的时候要把这个编号改过来。

0: node01

1: node02

2: node03

·需要修改的第二个地方是

修改为：

（去掉注释，把主机名称改了）

·第三个修改的地方为添加以下语句：

在这里添加：

·修改日志的存放路径：

（Kafkadata目录不需要提前创建，它可以自动创建好。）

在这里找这个路径：

·分区数量修改为3：

·Zookeeper集群中的端口号需要修改：

·全部修改完之后保存并退出：

全部修改语句如下所示（以node01为样例）：

broker.id=0    从0 开始 ，0  1  2 delete.topic.enable=true   //这条在文件中没有，手动添加，默认主题不允许删除 listeners=PLAINTEXT://node01:9092 log.dirs=/root/kafkadata    // 数据存放的目录，会自动生成，不需要创建 num.partitions=3 zookeeper.connect=node01:2181,node02:2181,node03:2181

返回到software目录里面：

分发kafka的安装包，到其他的节点中：

scp -r kafka node02:$PWD scp -r kafka node03:$PWD

在其他的节点上，修改broker.id 和 listeners中的主机名。

1.6启动kafka集群

启动脚本和停止脚本命令。

kafka-server-start.sh

kafka-server-stop.sh

以后台守护进程启动：

kafka-server-start.sh -daemon /opt/software/kafka/config/server.properties

注意： 在启动kafka之前，必须先启动zookeeper。

为了使用方便，可以配置环境变量。

Kafka.sh：一键启动和关闭kafka集群。

①添加一个kafka环境变量

②node02、node03也进行相同的配置

③进入到当前目录并把kafka.sh也上传进来

④修改一下权限，让它变成绿色的可执行脚本文件

⑤路径和主机名称修改为和自己一致的

⑥试一下一键启动

1.7Kafka常用的配置解释

#broker 的全局唯一编号，不能重复 broker.id=0 #删除 topic 功能使能 delete.topic.enable=true #处理网络请求的线程数量 num.network.threads=3 #用来处理磁盘 IO 的线程数量 num.io.threads=8 #发送套接字的缓冲区大小 socket.send.buffer.bytes=102400 #接收套接字的缓冲区大小 socket.receive.buffer.bytes=102400 #请求套接字的缓冲区大小 socket.request.max.bytes=104857600 #kafka 运行日志存放的路径 log.dirs=/root/kafkadata #topic 在当前 broker 上的分区个数 num.partitions=3 #用来恢复和清理 data 下数据的线程数量 num.recovery.threads.per.data.dir=1 # segment 文件保留的最长时间，超时将被删除 log.retention.hours=168 #配置连接 Zookeeper 集群地址 zookeeper.connect=node01:2181,node02:2181,node03:2181

2.Kafka命令行的使用

2.1创建topic

kafka-topics.sh --create --zookeeper node01:2181,node02:2181,node03:2181 --topic test1 --partitions 3 --replication-factor 3

分区数量，副本数量，都是必须的。

数据的形式：

主题名称-分区编号。

在Kafka的数据目录下查看。

设定副本数量，不能大于broker的数量。

2.2查看所有的topic

kafka-topics.sh --list --zookeeper node01:2181,node02:2181,node03:2181

2.3查看某个topic的详细信息

kafka-topics.sh --describe --zookeeper node01:2181,node02:2181,node03:2181 --topic test1

ISR: In-Sync Replicas   可以提供服务的副本。

AR = ISR + OSR

2.4删除topic

kafka-topics.sh --delete --zookeeper node01:2181,node02:2181,node03:2181 --topic test1

2.5生产数据

kafka-console-producer.sh：

指定broker

指定topic

写数据的命令：

kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic test1

注意：写数据，实际上就是写log, 追加日志。

可在kafka的/root/kafkadata目录下查看分区中log。

每一条数据，只存在于当前主题的一个分区中，所有的副本中，都有数据。

2.6消费数据

kafka-console-consumer.sh --topic test1 --bootstrap-server node01:9092,node02:9092,node03:9092

注意： 此命令会从日志文件中的最后的位置开始消费。

如果想从头开始消费：

kafka-console-consumer.sh --topic test1 --bootstrap-server node01:9092,node02:9092,node03:9092 --from-beginning

会从头（earliest）开始读取数据。

读取数据时，分区间的数据是无序的，分区中的数据是有序。

如果想指定groupid,可以通过参数来指定：

kafka-console-consumer.sh --topic test1 --bootstrap-server node01:9092,node02:9092,node03:9092 --from-beginning --consumer-property group.id=123

一个topic中的数据，只能被一个groupId所属的consumer消费一次。（记录偏移量）

3.Kafka架构深入理解

3.1 Kafka 工作流程及文件存储机制

Kafka 中消息是以topic 进行分类的，生产者生产消息，消费者消费消息，都是面向topic 的。

topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应于一个 log 文件，该 log 文件中存储的就是 producer 生产的数据。Producer 生产的数据会被不断追加到该 log 文件末端，且每条数据都有自己的 offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个offset，以便出错恢复时，从上次的位置继续消费。

由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个partition 分为多个 segment（由参数log.segment.bytes决定大小）。每个 segment 对应一个日志文件，两个索引文件。这些文件位于同一个文件夹下，该文件夹的命名规则为：topic名称+分区序号。

“.log”文件存储大量的数据，“.index”文件存储偏移量索引信息，“.timeindex”存储时间戳索引文件。日志文件和索引文件都是根据基本偏移量（LogSegment中的第一条消息的offset）来命名的。上图第2个LogSegment对应的基本偏移量是133，说明了第1个LogSegment中共有133条数据。

Kafka并不保证每个消息在索引文件都有对应的索引项，采用的是稀疏索引（sparse index）的方式。写入一定量数据的时候，才会生成对应的索引项，由broker的参数log.index.interval.bytes指定，默认值是4096，即4KB。

偏移量索引文件是单调递增的，查询偏移量时，使用二分查找法来快速定位偏移量的位置，如果指定的偏移量不在索引文件中，会返回小于指定偏移量的最大偏移量。比如：我们在这里找偏移量为23的消息，首先通过二分法在偏移量索引文件找到不大于23的最大索引项，即[22,656]，然后从日志分段文件中物理位置656开始顺序查找。

3.2 Kafka 生产者

3.2.1 分区策略

1、分区的原因

（1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic 又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；

（2）可以提高并发，因为可以以 Partition 为单位读写了。

2、分区的原则

我们需要将 producer 发送的数据封装成一个ProducerRecord对象。

（1）指明 partition 的情况下，直接将指明的值直接作为 partiton 值；

（2）没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值；

（3）既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后

面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin （轮询）算法。

3.2.2 数据可靠性保证

为保证 producer 发送的数据，能可靠的发送到指定的topic，topic 的每个partition 收到producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement 确认收到），如果producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。

问：何时发送ack？

确保有follower跟leader同步完成了以后，leader再发送ack，这样保证了leader挂掉了以后，能在follower中选举出来新的leader。

问：多少个follower同步完成以后才发送ack？

方案一：半数以上的follower同步完成以后。

方案二：全部的follower同步完成以后。

1、副本存放策略

Kafka 选择了第二种方案，原因如下：

（1）同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。

（2）虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。

2、ISR

采用第二种方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据，但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，直到它完成同步，才能发送 ack。这个问题怎么解决呢？

Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 follower长时间未向 leader 同步数据 ， 则该 follower 将被踢出 ISR ， 该时间阈值由replica.lag.time.max.ms 参数设定。Leader 发生故障之后，就会从 ISR 中选举新的 leader。

在Kafka0.9之前是由replica.lag.time.max.ms和replica.lag.max.messages两个参数共同决定的，在0.9之后，移除了replica.lag.max.messages参数。因为如果生产者每批次发送给leader的数据量大于了replica.lag.max.messages默认设定的参数10000条，就会将所有的follower临时从ISR中移出去，但是由于受到replica.lag.time.max.ms时间参数的影响，默认10s，又会将follower移到ISR中，所以会发生follower频繁的从ISR中移进移出，ISR中的队列是由ZK来维护的，所以又会频繁的操作ZK。

3、ACKS

对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，

所以没必要等 ISR 中的 follower 全部接收成功。所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。

acks 参数配置：

0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据；

1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower同步成功之前 leader 故障，那么将会丢失数据；

-1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成数据重复。

4、HW和LEO

LEO：指的是每个副本最大的 offset。

HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。保证了消费者消费数据的一致性和ISR中节点挂掉之后数据的一致性。

（1）follower 故障

follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。

（2）leader 故障

leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader同步数据。

注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

3.2.3 Exactly Once 语义

将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 AtLeast Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once 语义。

At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once

可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说

交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。

在 0.11 版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。

0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka 的 Exactly Once 语义。即：

At Least Once + 幂等性 = Exactly Once

要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。

但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的 Exactly Once。

3.3 Kafka 消费者

3.3.1 消费方式

consumer 采用 pull（拉）模式从 broker 中读取数据。

push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由 broker 决定的。它的目标是尽可能以最快速度传递消息，但是这样很容易造成 consumer 来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。

pull（拉）模式则可以根据 consumer 的消费能力以适当的速率消费消息。 pull 模式不足之处是，如果 kafka 没有数据，消费者可能会陷入循环中，一直返回空数据。针对这一点，Kafka 的消费者在消费数据时会传入一个时长参数 timeout，如果当前没有数据可供消费，consumer 会等待一段时间之后再返回，这段时长即为 timeout。

3.3.2 分区分配策略

一个consumer group 中有多个consumer，一个 topic 有多个partition，所以必然会涉及到 partition 的分配问题，即确定那个partition 由哪个consumer 来消费。

Kafka 有两种分配策略，一是 RoundRobin（轮询），一是 Range。

使用轮询的时候，它是面向消费者组的，消费者组订阅了多个主题，会将多个主题的所有分区，当作一个整体来看，它会先将每个主题的每个分区构造成一个一个的TopicAndPartition对象，然后根据所有对象的hash值排好序，根据排好的顺序来轮询消费。

使用轮询的前提是消费者组内的消费者订阅的主题都是一样的。

Range是Kafka默认的分区分配策略。它是面向主题分配的。将分区按照几等份分配给一个消费组内订阅了该主题的消费者。缺点是会导致消费者消费数据的不均匀。

当消费者的个数发生变化的时候就会触发分区分配策略。

3.3.3 offset 的维护

由于 consumer 在消费过程中可能会出现断电宕机等故障，consumer 恢复后，需要从故障前的位置的继续消费，所以 consumer 需要实时记录自己消费到了哪个 offset，以便故障恢复后继续消费。消费的offset是由消费者组+主题+分区来唯一确定的。

Kafka 0.9 版本之前，consumer 默认将 offset 保存在 Zookeeper中，从 0.9 版本开始，

consumer 默认将offset 保存在Kafka一个内置的topic 中，该 topic为__consumer_offsets。

1、修改配置文件 consumer.properties

exclude.internal.topics=false

2、读取 offset

0.11.0.0 之前版本:

bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper node01:2181 --formatter "kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

0.11.0.0 之后版本(含):

bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper node01:2181 --formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

3.4 Kafka 高效读写数据

1、顺序写磁盘

Kafka 的 producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为顺序写。官网有数据表明，同样的磁盘，顺序写能到 600M/s，而随机写只有 100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。

2、零拷贝技术

3.5 Controller 在 Kafka 中的作用

Kafka 集群中有一个 broker 会被选举为 Controller，负责管理集群 broker 的上下线，所有topic的分区副本分配和 leader 选举等工作。

Controller 的管理工作都是依赖于 Zookeeper 的。

3.6 Kafka 事务

Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。

3.6.1 Producer 事务

为了实现跨分区跨会话的事务，需要引入一个全局唯一的 Transaction ID，并将 Producer 获得的PID 和Transaction ID 绑定。这样当Producer 重启后就可以通过正在进行的 Transaction ID 获得原来的 PID。

为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。

3.6.2 Consumer 事务

上述事务机制主要是从 Producer 方面考虑，对于 Consumer 而言，事务的保证就会相对较弱，尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访问任意信息，而且不同的 Segment File 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。

3.7 压缩

Kafka支持以集合（batch）为单位发送消息，在此基础上，Kafka还支持对消息集合进行压缩。Producer端可以通过GZIP或Snappy格式对消息集合进行压缩。Producer端进行压缩之后，在Consumer端需进行解压 。压缩的好处就是减少传输的数据量，减轻对网络传输的压力，在对大数据处理上，瓶颈往往体现在网络上而不是CPU（压缩和解压会耗掉部分CPU资源）。

那么如何区分消息是压缩的还是未压缩的呢，Kafka在消息头部添加了一个描述压缩属性字节，这个字节的后两位表示消息的压缩采用的编码，如果后两位为0，则表示消息未被压缩。

Kafka通过配置compression.type为gzip、snappy、lz4来表示不同的压缩，默认是producer，表示保留生产者使用的压缩方式。

4. Kafka和其他组件的整合

4.1Kafka和Flume的整合

需求1：利用flume监控某目录中新生成的文件，将监控到的变更数据发送给kafka，kafka将收到的数据打印到控制台：

在flume/conf下添加.conf文件，

vi flume-kafka.conf

# 定义 Agent 组件

a1.sources=r1

a1.sinks=k1

a1.channels=c1

# 配置 Source（监控目录）

a1.sources.r1.type=spooldir

a1.sources.r1.spoolDir=/root/flume-kafka/

a1.sources.r1.inputCharset=utf-8

# 配置 Sink（写入 Kafka）

a1.sinks.k1.type=org.apache.flume.sink.kafka.KafkaSink

#指定写入数据到哪一个topic

a1.sinks.k1.kafka.topic=testTopic

#指定写入数据到哪一个集群

a1.sinks.k1.kafka.bootstrap.servers=node01:9092,node02:9092,node03:9092

#指定写入批次

a1.sinks.k1.kafka.flumeBatchSize=20

#指定acks机制

a1.sinks.k1.kafka.producer.acks=1

# 配置 Channel（内存缓冲）

a1.channels.c1.type=memory

a1.channels.c1.capacity=1000

# 最大存储 1000 个 Event

a1.channels.c1.transactionCapacity=100

# 每次事务处理 100 个 Event

a1.sources.r1.channels=c1

a1.sinks.k1.channel=c1

在指定目录之下创建文件夹：

kafka中创建topic：

kafka-topics.sh --create --zookeeper node01:2181,node02:2181,node03:2181 --topic testTopic --partitions 3 --replication-factor 3

启动flume：

flume-ng agent -c /opt/software/flume/conf/ -f /opt/software/flume/conf/flume-kafka.conf -n a1 -Dflume.root.logger=INFO,console

启动kafka消费者，验证数据写入成功

kafka-console-consumer.sh --topic testTopic --bootstrap-server node01:9092,node02:9029,node03:9092 --from-beginning

新增测试数据：

echo "hello flume,hello kafka" >> /root/flume-kafka/1.txt

flume：

Kafka消费者：

需求2：Kafka生产者生成的数据利用Flume进行采集，将采集到的数据打印到Flume的控制台上。

vi kafka-flume.conf

# 定义 Agent 组件

a1.sources=r1

a1.sinks=k1

a1.channels=c1

# 将 Flume Source 设置为 Kafka 消费者，从指定 Kafka 主题拉取数据。

a1.sources.r1.type=org.apache.flume.source.kafka.KafkaSource

#指定zookeeper集群地址

a1.sources.r1.zookeepers=node01:2181,node02:2181,node03:2181

#指定kafka集群地址

a1.sources.r1.kafka.bootstrap.servers=node01:9092,node02:9092,node03:9092

#指定生成消息的topic

a1.sources.r1.kafka.topics=testTopic

# 将 Flume 传输的数据内容直接打印到日志中，

a1.sinks.k1.type=logger

# 配置 Channel（内存缓冲）

a1.channels.c1.type=memory

a1.channels.c1.capacity=1000

a1.channels.c1.transcationCapacity=100

a1.sources.r1.channels=c1

a1.sinks.k1.channel=c1

启动Kafka生产者

kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic testTopic

启动Flume

flume-ng agent -c /opt/software/flume/conf/ -f /opt/software/flume/conf/kafka-flume.conf -n a1 -Dflume.root.logger=INFO,console

在生产者中写入数据

Flume中采集到数据

4.2Kafka和SparkStreaming的整合

导包。

<dependency>             <groupId>org.apache.spark</groupId>             <artifactId>spark-streaming-kafka_2.11</artifactId>             <version>1.6.2</version>         </dependency>

代码实现。

def main(args: Array[String]): Unit = {   val conf = new SparkConf()   .setNode01("local[*]")   .setAppName(this.getClass.getSimpleName)   val ssc=  new StreamingContext(conf,Seconds(2))   // kafka的参数配置   val kafkaParams = Map[String, Object](     "bootstrap.servers" -> "node01:9092,node02:9092,node03:9092",     "key.deserializer" -> classOf[StringDeserializer],     "value.deserializer" -> classOf[StringDeserializer],     "group.id" -> "hello_topic_group",     "auto.offset.reset" -> "earliest",     "enable.auto.commit" -> (false: java.lang.Boolean)   )   val topics = Array("helloTopic3") //指定泛型的约定[String, String] key value   val stream: InputDStream[ConsumerRecord[String, String]] =     KafkaUtils.createDirectStream[String, String](     ssc,     PreferConsistent,     Subscribe[String, String](topics, kafkaParams)   )   stream.foreachRDD(rdd=>{     rdd.foreach(println)   })   ssc.start()   ssc.awaitTermination() }

利用Redis维护偏移量。使用Spark消费Kafka中的数据。

val config = ConfigFactory.load() val conf = new SparkConf()   .setNode01("local[*]")   .setAppName(this.getClass.getSimpleName) val ssc = new StreamingContext(conf, Seconds(3)) val groupId = "hello_topic_group" val topic = "helloTopic7" val topicArr = Array(topic) val kafkaParams = Map[String, Object](   "bootstrap.servers" -> "node01:9092,node02:9092,node03:9092",   "key.deserializer" -> classOf[StringDeserializer],   "value.deserializer" -> classOf[StringDeserializer],   "group.id" -> groupId,   "auto.offset.reset" -> "earliest",   // 是否可以自动提交偏移量   自定义   "enable.auto.commit" -> (false: java.lang.Boolean) ) // 需要设置偏移量的值 val offsets = mutable.HashMap[TopicPartition, Long]() // 从redis中获取到值 val jedis1 = JedisPoolUtils.getJedis() val allPO: util.Map[String, String] = jedis1.hgetAll(groupId + "-" + topic) // 导入转换 import scala.collection.JavaConversions._ for(i<- allPO){   // 主题 和分区  ->  offset   offsets += (new TopicPartition(topic,i._1.toInt) -> i._2.toLong) } val stream: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](   ssc,   LocationStrategies.PreferConsistent,   Subscribe[String, String](topicArr, kafkaParams, offsets) ) stream.foreachRDD(rdd => {   // rdd ConsumerRecord[String, String]   val ranges: Array[OffsetRange] = rdd.asInstanceOf[HasOffsetRanges].offsetRanges   val result = rdd.map(_.value()).map((_, 1)).reduceByKey(_ + _)   result.foreachPartition(it => {     val jedis = JedisPoolUtils.getJedis()     it.foreach(tp => jedis.hincrBy("streamkfkwc", tp._1, tp._2))     // 等迭代器中的数据，全部完成之后，再关     jedis.close()   })   // 把偏移量的Array  写入到redis中   val jedis = JedisPoolUtils.getJedis()   ranges.foreach(t => {     jedis.hset(groupId + "-" + t.topic, t.partition.toString, t.untilOffset + "")   })   jedis.close() }) ssc.start() ssc.awaitTermination()