Kafka与Spark案例实践

1.概述

Kafka系统的灵活多变，让它拥有丰富的拓展性，可以与第三方套件很方便的对接。例如，实时计算引擎Spark。接下来通过一个完整案例，运用Kafka和Spark来合理完成。

2.内容

2.1 初始Spark

在大数据应用场景中，面对实时计算、处理流数据、降低计算耗时等问题时，Apache Spark提供的计算引擎能很好的满足这些需求。
Spark是一种基于内存的分布式计算引擎，其核心为弹性分布式数据集（Resilient Distributed Datasets简称，RDD），它支持多种数据来源，拥有容错机制，数据集可以被缓存，并且支持并行操作，能够很好的地用于数据挖掘和机器学习。
Spark是专门为海量数据处理而设计的快速且通用的计算引擎，支持多种编程语言（如Java、Scala、Python等），并且拥有更快的计算速度。

提示：
据Spark官方数据统计，通过利用内存进行数据计算，Spark的计算速度比Hadoop中的MapReduce的计算速度快100倍左右。

另外，Spark提供了大量的库，其中包含Spark SQL、Spark Streaming、MLlib、GraphX等。在项目开发的过程当中，可以在同一个应用程序中轻松地组合使用这些类库，如下图所示：

 2.2 Spark SQL

Spark SQL是Spark处理结构化数据的一个模块，。与Spark的RDD应用接口不同，Spark SQL提供的接口更加偏向于处理结构化的数据。在使用相同的执行引擎时，不同的应用接口或者编程语言在做计算时都是相互独立的，。这意味着，用户在使用时，可以很方便的地在不同的应用接口或编程语言之间进行切换。
Spark SQL很重要的一个优势就是，可以通过SQL语句来实现业务功能，。Spark SQL可以读取不同的存储介质，例如Kafka、Hive、HDFS等。
在使用编程语言执行一个Spark SQL语句时，执行后的结果会返回一个数据集，用户可以通过使用命令行、JDBC、ODBC的方式与Spark SQL进行数据交互。

提示：
JDBC是一个面向对象的应用程序接口，通过它可以访问各类关系型数据库。
ODBC是微软公司开放服务结构中有关数据库的一个组成部分，它制定并提供了一套访问数据库的应用接口。

2.3 Spark Streaming

Spark Streaming是Spark核心应用接口的一种扩展，它可以用于进行大规模数据处理、高吞吐量处理、容错处理等场景。同时，Spark Streaming支持从不同的数据源中读取数据，并且能够使用聚合函数、窗口函数等这类复杂算法来处理数据。
处理后的数据结果可以保存到本地文件系统（如文本）、分布式文件系统（如HDFS）、关系型数据库（如MySQL）、非关系型数据库（如HBase）等存储介质中。

2.4 MLlib

MLlib是Spark的机器学习（Machine Learning）类库，目的在于简化机器学习的可操作性和易扩展性。
MLlib由一些通用的学习算法和工具组成，其内容包含分类、回归、聚类、协同过滤等。

2.5 GraphX

GraphX是构建在Spark之上的图计算框架，它使用RDD来存储图数据，并提供了实用的图操作方法。
由于RDD的特性，GraphX高效的地实现了图的分布式存储和处理，可以应用于社交网络这类大规模的图计算场景。

3.操作Spark命令

在$SPARK_HOME/bin目录中，提供了一系列的脚本，例如spark-shell、spark-submit等。

进入到Hadoop集群，准备好数据源并将数据源上传Hadoop分布式文件系统（HDFS）中。然后使用Spark Shell的方式读取HDFS上的数据，并统计单词出现的频率，具体操作步骤如下。

1.准备数据源

（1）在本地创建一个文本文件，并在该文本文件中添加待统计的数据，具体操作命令如下。

# 新建文本文件
[hadoop@dn1 tmp]$ vi wordcount.txt

（2）然后，在wordcount.txt文件中添加待统计的单词，内容如下。

kafka spark
hadoop spark
kafka hadoop
kafka hbase

2.上传数据源到HDFS

（1）将本地准备好的wordcount.txt文件上传到HDFS中，具体操作命令如下。

# 在HDFS上创建一个目录
[hadoop@dn1 tmp]$ hdfs dfs -mkdir -p /data/spark
# 上传wordcount.txt到HDFS指定目录
[hadoop@dn1 tmp]$ hdfs dfs -put wordcount.txt /data/spark

（2）然后，执行HDFS查看命令，验证本地文件是否上传成功，具体操作命令如下。

# 查看上传的文件是否成功
[hadoop@dn1 tmp]$ hdfs dfs -cat /data/spark/wordcount.txt

若查看命令执行成功，输出结果如图所示：

 3.使用Spark Shell统计单词出现频

（1）进入到$SPARK_HOME/bin目录，然后运行./spark-shell脚本进入到Spark Shell控制台。

提示：
如果直接执行该脚本，则表示以本地模式单线程方式启动。
如果执行./spark-shell local[n]命令，则表示以多线程方式启动，其中变量n代表线程数。

（2）通过本地模式运行，等待Spark加载配置文件，加载完成后，输出结果

（3）统计单词出现的频率，具体实现如下：

val wc = sc.textFile("hdfs://nna:9000/data/spark/wordcount.txt")
val stats=wc.flatMap(line => line.split(" ")).map(word => (word,1)).reduceByKey(_+_)
stats.collect()

提示：
第一行代码表示，读取HDFS上待统计单词的原始数据；
第二行代码表示，实现统计单词出现频率的具体业务逻辑；
第三行代码表示，从弹性分布式数据集（RDD）中获取数据，并以数组的形式展示统计结果。

（4）执行上述代码后，Spark Shell控制台输出结果如图所示：

 4.案例实践

Kafka是一种实时消息队列技术，通过Kafka中间件，可以构建实时消息处理平台来满足企业的实时类需求。
本案例以Kafka为核心中间件，以Spark作为实时计算引擎，来完成对游戏明细数据的实时统计。
以本项目为例，需要实时描绘当天游戏用户的行为轨迹，例如用户订单、用户分布、新增用户等指标数据。针对这类需求，可以将游戏用户实时产生的业务数据上报到Kafka消息队列系统进行存储，然后通过Spark流计算的方式来统计应用指标。最后，将统计后的业务结果形成报表或者趋势图进行展示，为制作数据方案者提供数据支持。

4.1 背景和价值

1. 背景

在实时应用场景中，与离线统计任务有所不同。它对时延的要求比较高，需要缩短业务数据计算的时间。对于离线任务来说，通常是计算前一天或者更早的业务数据。
现实业务场景中，很多业务场景需要实时查看统计结果。流计算能够很好的弥补这一不足之处，对于当天变化的流数据可以通过流计算（比如Flink、Spark Streaming、Storm等）后，及时呈现报表数据或趋势图。

2. 价值

这样一个实时计算项目能够实时掌握游戏用户的行为轨迹、活跃度。具体涉及的内容如下：

1. 通过对游戏用户实时产生的业务数据进行实时统计，可以分析出游戏用户在各个业务模块下的活跃度、停留时间等。将这些结果形成报表或者趋势图，让以便能够实时地准确的掌握游戏用户的行为轨迹；
2. 按小时维度将当天的实时业务数据进行统计，那么可以知道游戏用户在哪个时间段具有最高的访问量。利用这些数据可以针对这个时间段做一些推广活动，例如道具“秒杀”活动、打折优惠等，从而刺激游戏用户去充值消费。
3. 将实时计算产生的结果，去发挥它应有的价值。在高峰时间段推广一些优惠活动后，通过实时统计的数据结果分析活动的效果，例如促销的“秒杀”活动、道具打折等这些活动是否受到游戏用户的喜爱。针对这些反馈效果，可以做出快速合理的反应。

4.2 实现流程

架构体系可以分为数据源、数据采集、数据存储、流计算、结果持久化、服务接口、数据可视化等，实现流程图如图所示：

1. 数据源

游戏用户通过移动设备或者浏览器操作游戏产生的记录，会实时上报到日志服务器进行存储，数据格式会封装成JSON对象进行上报，便于后续消费解析。

2. 数据采集

在日志服务器中部署Flume Agent来实时监控上报的业务日志数据，。当业务日志数据有更新（可通过文件MD5值、文件日期等来判断文件的变动）时，由Flume Agent启动采集任务，通过Flume Sink组件配置Kafka集群连接地址进行数据传输。

3. 数据存储

利用Kafka的消息队列特性来存储消息记录。将接收的数据按照业务进行区分，以不同的Topic来存储各种类型的业务数据。

4. 流计算

Spark拥有实时计算的能力，使用Spark Streaming将Spark和Kafka关联起来。
通过消费Kafka集群中指定的Topic来获取业务数据，并将获取的业务数据利用Spark集群来做实时计算。

5. 结果持久化

通过Spark计算引擎，将统计后的结果存储到数据库，方便可视化系统查询展示。
选用Redis和MySQL来作为持久化的存储介质，在Spark代码逻辑中使用对应的编程接口（如Java Redis API或Java MySQL API）将计算后的结果存储到数据库。

6. 数据接口

数据库中存储的统计结果需要对外共享，可以通过统一的接口服务对外提供访问。
可以选择Thrift框架来实现数据接口，编写RPC服务供外界访问。

提示：
Apache Thrift是一个软件框架，用来进行可扩展且跨编程语言服务的开发工作。
Apache Thrift结合了功能强大的软件堆栈和代码生成引擎，可以与Java、Go、Python、Ruby等编程语言进行无缝连接。

7. 可视化

从RPC服务中获取数据库中存储的统计结果。然后，在浏览器中将这些结果进行渲染，以报表和趋势图表的形式进行呈现。

5.核心逻辑实现

通过读取Kafka系统Topic中的流数据，对平台号进行分组统计。每隔10秒钟，将相同平台号下用户金额进行累加计算，并将统计后的结果写入到MySQL数据库。

5.1 MySQL工具类实现

/*** 实现一个MySQL工具类.* * @author smartloli.**         Created by Jul 15, 2022*/
public class MySQLPool {private static LinkedList<Connection> queues;         // 声明一个连接队列static {try {Class.forName("com.mysql.jdbc.Driver");     // 加载MySQL驱动} catch (ClassNotFoundException e) {e.printStackTrace();                        // 打印异常信息}}/** 初始化MySQL连接对象. */public synchronized static Connection getConnection() {try {if (queues == null) {                        // 判断连接队列是否为空queues = new LinkedList<Connection>();    // 实例化连接队列for (int i = 0; i < 5; i++) {Connection conn = DriverManager.getConnection("jdbc:mysql://nna:3306/game", "root", "123456");queues.push(conn);                    // 初始化连接队列}}} catch (Exception e) {e.printStackTrace();                        // 打印异常信息}return queues.poll();                            // 返回最新的连接对象}/** 释放MySQL连接对象到连接队列. */public static void release(Connection conn) {queues.push(conn);                                // 将连接对象放回到连接队列}
}

5.2 Spark逻辑实现

实现按平台号分组统计用户金额，具体实现见代码：

/*** 使用Spark引擎来统计用户订单主题中的金额.* * @author smartloli.**         Created by Jul 14, 2022*/
public class UserOrderStats {public static void main(String[] args) throws Exception {// 设置数据源输入参数if (args.length < 1) { System.err.println("Usage: GroupId <file>");            // 打印提示信息System.exit(1);                                            // 退出进程}String bootStrapServers = "dn1:9092,dn2:9092,dn3:9092";        // 指定Kafka连接地址String topic = "user_order_stream";                            // 指定Kafka主题名String groupId = args[0];                                    // 动态获取消费者组名SparkConf sparkConf = new SparkConf().setMaster("yarn-client").setAppName("UserOrder");                        // 实例化Spark配置对象// 实例化一个SparkContext对象, 用来打印日志信息到控制台, 便于调试JavaSparkContext sc = new JavaSparkContext(sparkConf);sc.setLogLevel("WARN");// 创建一个流对象, 设置窗口时间为10秒JavaStreamingContext jssc = new JavaStreamingContext(sc, Durations.seconds(10));JavaInputDStream<ConsumerRecord<Object, Object>> streams =KafkaUtils.createDirectStream(jssc,LocationStrategies.PreferConsistent(),ConsumerStrategies.Subscribe(Arrays.asList(topic),configure(groupId, bootStrapServers)));                    // 获取流数据集// 将Kafka主题(user_order_stream)中的消息转化成键值对(key/value)形式JavaPairDStream<Integer, Long> moneys =streams.mapToPair(new PairFunction<ConsumerRecord<Object, Object>,Integer, Long>() {/** 序列号ID. */private static final long serialVersionUID = 1L;/** 执行回调函数来处理业务逻辑. */@Overridepublic Tuple2<Integer, Long> call(ConsumerRecord<Object, Object> t)throws Exception {JSONObject object = JSON.parseObject(t.value().toString());return new Tuple2<Integer, Long>(object.getInteger("plat"),object.getLong("money"));}}).reduceByKey(new Function2<Long, Long, Long>() {/** 序列号ID. */private static final long serialVersionUID = 1L;@Overridepublic Long call(Long v1, Long v2) throws Exception {return v1 + v2;                 // 通过平台号(plat)进行分组聚合}});// 将统计结果存储到MySQL数据库moneys.foreachRDD(rdd -> {Connection connection = MySQLPool.getConnection();    // 实例化MySQL连接对象Statement stmt = connection.createStatement();        // 创建一个操作MySQL的实例rdd.collect().forEach(line -> {int plat = line._1.intValue();                    // 获取平台号long total = line._2.longValue();                // 获取用户总金额// 将写入到MySQL的数据，封装成SQL语句String sql = String.format("insert into `user_order` (`plat`, `total`)values (%s, %s)", plat, total);try {// 调用MySQL工具类, 将统计结果组装成SQL语句写入到MySQL数据库stmt.executeUpdate(sql); } catch (SQLException e) {e.printStackTrace();    // 打印异常信息}});MySQLPool.release(connection);     // 是否MySQL连接对象到连接队列});jssc.start();                        // 开始计算try {jssc.awaitTermination();         // 等待计算结束} catch (Exception ex) {ex.printStackTrace();            // 打印异常信息} finally {jssc.close();                    // 发生异常, 关闭流操作对象}}/** 初始化Kafka集群信息. */private static Map<String, Object> configure(String group, String brokers) {Map<String, Object> props = new HashMap<>();    // 实例化一个配置对象props.put("bootstrap.servers", brokers);        // 指定Kafka集群地址props.put("group.id", group);                    // 指定消费者组props.put("enable.auto.commit", "true");        // 开启自动提交props.put("auto.commit.interval.ms", "1000");    // 自动提交的时间间隔// 反序列化消息主键props.put("key.deserializer","org.apache.kafka.common.serialization.StringDeserializer");// 反序列化消费记录props.put("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer");return props;                                    // 返回配置对象}}

5.3 执行提交

将打包好的应用程序上传到Spark集群的其中一个节点，然后通过spark-submit脚本来调度应用程序，具体操作命令如下。

# 执行应用程序
[hadoop@dn1 bin]$ ./spark-submit --master yarn-client --class org.smartloli.kafka.game.x.book_11.jubas.UserOrderStats --executor-memory 512MB --total-executor-cores 2 /data/soft/new/UserOrder.jar ke6

5.4 结果预览