SparkStreaming與Kafka整合遇到的問題及解決方案
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據量處理的高性能，處理日志類應用再好不過了，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，并且可以提供準實時服務到elasticsearch中，可以實現準實時定位系統日志。
實現
Spark-Streaming獲取kafka數據的兩種方式-Receiver與Direct的方式。
一. 基于Receiver方式
這種方式使用Receiver來獲取數據。Receiver是使用Kafka的高層次Consumer API來實現的。receiver從Kafka中獲取的數據都是存儲在Spark Executor的內存中的，然后Spark Streaming啟動的job會去處理那些數據。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);
剛開始的時候系統正常運行，沒有發現問題，但是如果系統異常重新啟動sparkstreaming程序后，發現程序會重復處理已經處理過的數據，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數據的傳統方式。這種方式配合著WAL機制可以保證數據零丟失的高可靠性，但是卻無法保證數據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。官方現在也已經不推薦這種整合方式，官網相關地址 http://spark.apache.org/docs/latest/streaming-kafka-integration.html ，下面我們使用官網推薦的第二種方式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來接收數據后，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。當處理數據的job啟動時，就會使用Kafka的簡單consumer api來獲取Kafka指定offset范圍的數據。
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方式的優點如下：
1.簡化并行讀取：如果要讀取多個partition，不需要創建多個輸入DStream然后對它們進行union操作。Spark會創建跟Kafka partition一樣多的RDD partition，并且會并行從Kafka中讀取數據。所以在Kafka partition和RDD partition之間，有一個一對一的映射關系。
2.一次且僅一次的事務機制：基于receiver的方式，在spark和zk中通信，很有可能導致數據的不一致。
3.高效率：在receiver的情況下，如果要保證數據的不丟失，需要開啟wal機制，這種方式下，為、數據實際上被復制了兩份，一份在kafka自身的副本中，另外一份要復制到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，當業務需要重啟sparkstreaming程序的時候，業務日志依然會打入到kafka中，當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實時監控隊列中的消息)：
當停止業務日志的接受后，先重啟spark程序，但是發現job并沒有將先前打入到kafka中的數據消費掉。這是因為消息沒有經過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數據
- 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("接收到的數據《《==="+v1.message());
- return v1.message();
- }
- }
- );
- // 得到rdd各個分區對應的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("數據==="+s);
- }
- for (OffsetRange o : offsetRanges.get()) {
- // 封裝topic.partition 與 offset對應關系 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("原數據====》"+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據丟失的問題。
