SparkStreaming与Kafka整合遇到的问题及解决方案

前言

最近工作中是做日志分析的平台，采用了sparkstreaming+kafka，采用kafka主要是看中了它对大数据量处理的高性能，处理日志类应用再好不过了，采用了sparkstreaming的流处理框架 主要是考虑到它本身是基于spark核心的，以后的批处理可以一站式服务，并且可以提供准实时服务到elasticsearch中，可以实现准实时定位系统日志。

实现

Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式。

一. 基于Receiver方式

这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的，然后Spark Streaming启动的job会去处理那些数据。代码如下：

SparkConf sparkConf = new SparkConf().setAppName("log-etl").setMaster("local[4]");     JavaStreamingContext jssc = new JavaStreamingContext(sparkConf, new Duration(2000)); 
    int numThreads = Integer.parseInt("4");     Map topicMap = new HashMap(); 
    topicMap.put("group-45", numThreads);      //接收的参数分别是JavaStreamingConetxt,zookeeper连接地址,groupId,kafak的topic  
    JavaPairReceiverInputDStream messages =     KafkaUtils.createStream(jssc, "172.16.206.27:2181,172.16.206.28:2181,172.16.206.29:2181", "1", topicMap); 

刚开始的时候系统正常运行，没有发现问题，但是如果系统异常重新启动sparkstreaming程序后，发现程序会重复处理已经处理过的数据，这种基于receiver的方式，是使用Kafka的高阶API来在ZooKeeper中保存消费过的offset的。这是消费Kafka数据的传统方式。这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是却无法保证数据被处理一次且仅一次，可能会处理两次。因为Spark和ZooKeeper之间可能是不同步的。官方现在也已经不推荐这种整合方式，官网相关地址 http://spark.apache.org/docs/latest/streaming-kafka-integration.html ，下面我们使用官网推荐的第二种方式kafkaUtils的createDirectStream()方式。

二.基于Direct的方式

这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地查询Kafka，来获得每个topic+partition的***的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。

代码如下：

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

这种direct方式的优点如下：

1.简化并行读取：如果要读取多个partition，不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。

2.一次且仅一次的事务机制：基于receiver的方式，在spark和zk中通信，很有可能导致数据的不一致。

3.高效率：在receiver的情况下，如果要保证数据的不丢失，需要开启wal机制，这种方式下，为、数据实际上被复制了两份，一份在kafka自身的副本中，另外一份要复制到wal中， direct方式下是不需要副本的。

三.基于Direct方式丢失消息的问题

貌似这种方式很***，但是还是有问题的，当业务需要重启sparkstreaming程序的时候，业务日志依然会打入到kafka中，当job重启后只能从***的offset开始消费消息，造成重启过程中的消息丢失。kafka中的offset如下图(使用kafkaManager实时监控队列中的消息)：

当停止业务日志的接受后，先重启spark程序，但是发现job并没有将先前打入到kafka中的数据消费掉。这是因为消息没有经过zk，topic的offset也就没有保存

四.解决消息丢失的处理方案

一般有两种方式处理这种问题，可以先spark streaming 保存offset，使用spark checkpoint机制，第二种是程序中自己实现保存offset逻辑，我比较喜欢第二种方式，以为这种方式可控，所有主动权都在自己手中。

先看下大体流程图，

SparkConf sparkConf = new SparkConf().setMaster("local[2]").setAppName("log-etl");  Set topicSet = new HashSet(); 
        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 testMap = JavaConversions.mapAsScalaMap(kafkaParam); 
        scala.collection.immutable.Map scalaKafkaParam =                 testMap.toMap(new Predef.$less$colon$less, Tuple2>() { 
                    public Tuple2 apply(Tuple2 v1) {                         return v1; 
                    }                 }); 
         // init KafkaCluster 
        kafkaCluster = new KafkaCluster(scalaKafkaParam);  
        scala.collection.mutable.Set mutableTopics = JavaConversions.asScalaSet(topicSet);         immutableTopics = mutableTopics.toSet(); 
        scala.collection.immutable.Set topicAndPartitionSet2 = kafkaCluster.getPartitions(immutableTopics).right().get();  
        // kafka direct stream 初始化时使用的offset数据         Map consumerOffsetsLong = new HashMap(); 
         // 没有保存offset时（该group***消费时）, 各个partition offset 默认为0 
        if (kafkaCluster.getConsumerOffsets(kafkaParam.get("group.id"), topicAndPartitionSet2).isLeft()) {  
            System.out.println(kafkaCluster.getConsumerOffsets(kafkaParam.get("group.id"), topicAndPartitionSet2).left().get());  
            Set 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 consumerOffsetsTemp = kafkaCluster.getConsumerOffsets("simple1", topicAndPartitionSet2).right().get();  
            Map consumerOffsets = JavaConversions.mapAsJavaMap((scala.collection.immutable.Map)consumerOffsetsTemp);  
            Set 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 message = KafkaUtils.createDirectStream( 
                jssc,                 String.class, 
                String.class,                 StringDecoder.class, 
                StringDecoder.class,                 String.class, 
                kafkaParam,                 consumerOffsetsLong, 
                new Function, String>() {                     public String call(MessageAndmetadata v1) throws Exception { 
                        System.out.println("接收到的数据《《==="+v1.message());                         return v1.message(); 
                    }                 } 
        );  
        // 得到rdd各个分区对应的offset, 并保存在offsetRanges中         final AtomicReference offsetRanges = new AtomicReference(); 
         JavaDStream javaDStream = message.transform(new Function, JavaRDD>() { 
            public JavaRDD call(JavaRDD rdd) throws Exception {                 OffsetRange[] offsets = ((HasOffsetRanges) rdd.rdd()).offsetRanges(); 
                offsetRanges.set(offsets);                 return rdd; 
            }         }); 
         // output 
        javaDStream.foreachRDD(new Function, Void>() {  
            public Void call(JavaRDD v1) throws Exception {                 if (v1.isEmpty()) return null; 
                 List list = v1.collect(); 
                for(String s:list){                     System.out.println("数据==="+s); 
                }  
                for (OffsetRange o : offsetRanges.get()) {  
                    // 封装topic.partition 与 offset对应关系 java Map                     TopicAndPartition topicAndPartition = new TopicAndPartition(o.topic(), o.partition()); 
                    Map topicAndPartitionObjectMap = new HashMap();                     topicAndPartitionObjectMap.put(topicAndPartition, o.untilOffset()); 
                     // 转换java map to scala immutable.map 
                    scala.collection.mutable.Map testMap =                             JavaConversions.mapAsScalaMap(topicAndPartitionObjectMap); 
                    scala.collection.immutable.Map scalatopicAndPartitionObjectMap =                             testMap.toMap(new Predef.$less$colon$less, Tuple2>() { 
                                public Tuple2 apply(Tuple2 v1) {                                     return v1; 
                                }                             }); 
                     // 更新offset到kafkaCluster 
                    kafkaCluster.setConsumerOffsets(kafkaParamBroadcast.getValue().get("group.id"), scalatopicAndPartitionObjectMap);                        System.out.println("原数据====》"+o.topic() + " " + o.partition() + " " + o.fromOffset() + " " + o.untilOffset() 
                    );                 } 
                return null;             } 
        });  
        jssc.start();         jssc.awaitTermination(); 
    } 

基本使用这种方式就可以解决数据丢失的问题。