demo2 Kafka+Spark Streaming+Redis实时计算整合实践

foreachRDD输出到redis

基于Spark通用计算平台，可以很好地扩展各种计算类型的应用，尤其是Spark提供了内建的计算库支持，像Spark Streaming、Spark SQL、MLlib、GraphX，这些内建库都提供了高级抽象，可以用非常简洁的代码实现复杂的计算逻辑、这也得益于Scala编程语言的简洁性。这里，我们基于1.3.0版本的Spark搭建了计算平台，实现基于Spark Streaming的实时计算。
我们的应用场景是分析用户使用手机App的行为，描述如下所示：

手机客户端会收集用户的行为事件（我们以点击事件为例），将数据发送到数据服务器，我们假设这里直接进入到Kafka消息队列
后端的实时服务会从Kafka消费数据，将数据读出来并进行实时分析，这里选择Spark Streaming，因为Spark Streaming提供了与Kafka整合的内置支持
经过Spark Streaming实时计算程序分析，将结果写入Redis，可以实时获取用户的行为数据，并可以导出进行离线综合统计分析

Spark Streaming介绍

Spark Streaming提供了一个叫做DStream（Discretized Stream）的高级抽象，DStream表示一个持续不断输入的数据流，可以基于Kafka、TCP Socket、Flume等输入数据流创建。在内部，一个DStream实际上是由一个RDD序列组成的。Sparking Streaming是基于Spark平台的，也就继承了Spark平台的各种特性，如容错（Fault-tolerant）、可扩展（Scalable）、高吞吐（High-throughput）等。
在Spark Streaming中，每个DStream包含了一个时间间隔之内的数据项的集合，我们可以理解为指定时间间隔之内的一个batch，每一个batch就构成一个RDD数据集，所以DStream就是一个个batch的有序序列，时间是连续的，按照时间间隔将数据流分割成一个个离散的RDD数据集，如图所示（来自官网）：
点击在新窗口中浏览原图
CTRL+鼠标滚轮放大或缩小

     我们都知道，Spark支持两种类型操作：Transformations和Actions。Transformation从一个已知的RDD数据集经过转换得到一个新的RDD数据集，这些Transformation操作包括map、filter、flatMap、union、join等，而且Transformation具有lazy的特性，调用这些操作并没有立刻执行对已知RDD数据集的计算操作，而是在调用了另一类型的Action操作才会真正地执行。Action执行，会真正地对RDD数据集进行操作，返回一个计算结果给Driver程序，或者没有返回结果，如将计算结果数据进行持久化，Action操作包括reduceByKey、count、foreach、collect等。关于Transformations和Actions更详细内容，可以查看官网文档。
同样、Spark Streaming提供了类似Spark的两种操作类型，分别为Transformations和Output操作，它们的操作对象是DStream，作用也和Spark类似：Transformation从一个已知的DStream经过转换得到一个新的DStream，而且Spark Streaming还额外增加了一类针对Window的操作，当然它也是Transformation，但是可以更灵活地控制DStream的大小（时间间隔大小、数据元素个数），例如window(windowLength, slideInterval)、countByWindow(windowLength, slideInterval)、reduceByWindow(func, windowLength, slideInterval)等。Spark Streaming的Output操作允许我们将DStream数据输出到一个外部的存储系统，如数据库或文件系统等，执行Output操作类似执行Spark的Action操作，使得该操作之前lazy的Transformation操作序列真正地执行。

     Kafka+Spark Streaming+Redis编程实践

     下面，我们根据上面提到的应用场景，来编程实现这个实时计算应用。

     首先，创建一个scala工程，创建方法见三、使用maven创建scala工程（scala和java混一起）

     引入kafka、redis、json等相关的包，pom.xml 如下：

<? xml version="1.0" encoding="UTF-8" ?>
< project  xmlns ="http://maven.apache.org/POM/4.0.0"  xmlns:xsi ="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation ="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd" >
     < modelVersion >4.0.0 </ modelVersion >
     < parent >
         < artifactId >fvp </ artifactId >
         < groupId >com.sf.fvp </ groupId >
         < version >0.0.1-SNAPSHOT </ version >
     </ parent >
     < groupId >com.sf </ groupId >
     < artifactId >scalademo3 </ artifactId >
     < version >1.0-SNAPSHOT </ version >
     < name >${project.artifactId} </ name >
     < description >My wonderfull scala app </ description >
     < inceptionYear >2015 </ inceptionYear >
     < licenses >
         < license >
             < name >My License </ name >
             < url >a%20href=http://.%20target=_blankspan%20class=topicHrefhttp://./span/a. </ url >
             < distribution >repo </ distribution >
         </ license >
     </ licenses >

     < properties >
         < maven.compiler.source >1.6 </ maven.compiler.source >
         < maven.compiler.target >1.6 </ maven.compiler.target >
         < encoding >UTF-8 </ encoding >
         < scala.version >2.11.5 </ scala.version >
         < scala.compat.version >2.11 </ scala.compat.version >
     </ properties >

     < dependencies >
         
         < dependency >
             < groupId >org.apache.spark </ groupId >
             < artifactId >spark-core_2.11 </ artifactId >
             < version >2.0.2 </ version >
         </ dependency >
         < dependency >
             < groupId >org.apache.spark </ groupId >
             < artifactId >spark-streaming_2.11 </ artifactId >
             < version >2.0.2 </ version >
         </ dependency >
         < dependency >
             < groupId >org.scala-lang </ groupId >
             < artifactId >scala-library </ artifactId >
             < version >${scala.version} </ version >
         </ dependency >
         < dependency >
             < groupId >org.apache.spark </ groupId >
             < artifactId >spark-streaming-kafka-0-8_2.11 </ artifactId >
             < version >2.0.2 </ version >
         </ dependency >
         < dependency >
             < groupId >net.sf.json-lib </ groupId >
             < artifactId >json-lib </ artifactId >
             < version >2.2.3 </ version >
         </ dependency >
         < dependency >
             < groupId >org.codehaus.jettison </ groupId >
             < artifactId >jettison </ artifactId >
             < version >1.3.8 </ version >
         </ dependency >
         < dependency >
             < groupId >net.sf.ezmorph </ groupId >
             < artifactId >ezmorph </ artifactId >
             < version >1.0.6 </ version >
         </ dependency >
         < dependency >
             < groupId >redis.clients </ groupId >
             < artifactId >jedis </ artifactId >
             < version >2.5.2 </ version >
         </ dependency >
         < dependency >
             < groupId >org.apache.commons </ groupId >
             < artifactId >commons-pool2 </ artifactId >
             < version >2.2 </ version >
         </ dependency >
         
         < dependency >
             < groupId >junit </ groupId >
             < artifactId >junit </ artifactId >
             < version >4.11 </ version >
             < scope >test </ scope >
         </ dependency >
         < dependency >
             < groupId >org.specs2 </ groupId >
             < artifactId >specs2-core_${scala.compat.version} </ artifactId >
             < version >2.4.16 </ version >
             < scope >test </ scope >
         </ dependency >
         < dependency >
             < groupId >org.scalatest </ groupId >
             < artifactId >scalatest_${scala.compat.version} </ artifactId >
             < version >2.2.4 </ version >
             < scope >test </ scope >
         </ dependency >
     </ dependencies >

     < build >
         < sourceDirectory >src/main/scala </ sourceDirectory >
         < testSourceDirectory >src/test/scala </ testSourceDirectory >
         < plugins >
             < plugin >
                 
                 < groupId >net.alchim31.maven </ groupId >
                 < artifactId >scala-maven-plugin </ artifactId >
                 < version >3.2.0 </ version >
                 < executions >
                     < execution >
                         < goals >
                             < goal >compile </ goal >
                             < goal >testCompile </ goal >
                         </ goals >
                         < configuration >
                             < args >
                                 < arg >-make:transitive </ arg >
                                 < arg >-dependencyfile </ arg >
                                 < arg >${project.build.directory}/.scala_dependencies </ arg >
                             </ args >
                         </ configuration >
                     </ execution >
                 </ executions >
             </ plugin >
             < plugin >
                 < groupId >org.apache.maven.plugins </ groupId >
                 < artifactId >maven-surefire-plugin </ artifactId >
                 < version >2.18.1 </ version >
                 < configuration >
                     < useFile >false </ useFile >
                     < disableXmlReport >true </ disableXmlReport >
                     
                     
                     < includes >
                         < include >**/*Test.* </ include >
                         < include >**/*Suite.* </ include >
                     </ includes >
                 </ configuration >
             </ plugin >
         </ plugins >
     </ build >
</ project >

     二、写了一个Kafka Producer模拟程序，用来模拟向Kafka实时写入用户行为的事件数据，数据是JSON格式，示例如下：

                         {"uid":"068b746ed4620d25e26055a9f804385f","event_time":"1430204612405","os_type":"Android","click_count":6}

    一个事件包含4个字段：

uid：用户编号
event_time：事件发生时间戳
os_type：手机App操作系统类型
click_count：点击次数

下面是我们实现的代码，如下所示：

package  com.sf.scalademo3

import  java.util.Properties
import  scala.util.Properties
import  org.codehaus.jettison.json.JSONObject
import  kafka.javaapi.producer.Producer
import  kafka.producer.KeyedMessage
import  kafka.producer.KeyedMessage
import  kafka.producer.ProducerConfig
import  scala.util.Random

object KafkaEventProducer {
   private val users =  Array(
    "4A4D769EB9679C054DE81B973ED5D768", "8dfeb5aaafc027d89349ac9a20b3930f" ,
    "011BBF43B89BFBF266C865DF0397AA71", "f2a8474bf7bd94f0aabbd4cdd2c06dcf" ,
    "068b746ed4620d25e26055a9f804385f", "97edfc08311c70143401745a03a50706" ,
    "d7f141563005d1b5d0d3dd30138f3f62", "c8ee90aade1671a21336c721512b817a" ,
    "6b67c8c700427dee7552f81f3228c927", "a95f22eabc4fd4b580c011a3161a9d9d" )

   private val random =  new  Random()
   private var pointer = -1

  def getUserID(): String =  {
    pointer = pointer + 1
     if (pointer >=  users.length) {
      pointer = 0
      users(pointer)
    }  else  {
      users(pointer)
    }

  }

  def click(): Double =  {
    random.nextInt(10 )
  }

   //  bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --create --topic user_events --replication-factor 2 --partitions 2

   //  bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --list

   //  bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --describe user_events

   //  bin/kafka-console-consumer.sh --zookeeper zk1:2181,zk2:2181,zk3:22181/kafka --topic test_json_basis_event --from-beginning

  def main(args: Array[String]): Unit =  {
    val topic = "user_events"
    val brokers = "localhost:9092"
    val props =  new  Properties()
    props.put("metadata.broker.list" , brokers)
    props.put("serializer.class", "kafka.serializer.StringEncoder" )

    val kafkaConfig =  new  ProducerConfig(props)
    val producer =  new  Producer[String, String](kafkaConfig)
     while ( true ) {
       //  prepare event data
      val event =  new  JSONObject()
      event
        .put("uid" , getUserID)
        .put("event_time" , System.currentTimeMillis.toString)
        .put("os_type", "Android" )
        .put("click_count" , click)

       //  produce event message
      producer.send( new  KeyedMessage[String, String](topic, event.toString))
      println("Message sent: " +  event)

      Thread.sleep(200 )
    }
  }
}

通过控制上面程序最后一行的时间间隔来控制模拟写入速度。

三、下面我们来讨论实现实时统计每个用户的点击次数，它是按照用户分组进行累加次数，逻辑比较简单，关键是在实现过程中要注意一些问题，如对象序列化等。先看实现代码，稍后我们再详细讨论，代码实现如下所示：

package  com.sf.scalademo3

import  kafka.serializer.StringDecoder
import  org.apache.spark.SparkConf
import  org.apache.spark.streaming._
import  org.apache.spark.streaming.kafka.KafkaUtils
import  net.sf.json.JSONObject
import  redis.clients.jedis.JedisPool
import  org.apache.commons.pool2.impl.GenericObjectPoolConfig

    object UserClickCountAnalytics {
  def main(args: Array[String]): Unit =  {
    var masterUrl = "local[1]"
     if (args.length > 0 ) {
      masterUrl = args(0 )
    }

     //  Create a StreamingContext with the given master URL
    val conf =  new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat" )
    val ssc =  new StreamingContext(conf, Seconds(5 ))

     //  Kafka configurations
    val topics = Set("user_events" )
    val brokers = "localhost:9092"
    val kafkaParams =  Map[String, String](
      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder" )
    val dbIndex = 1
    val clickHashKey = "app::users::click"

     //  Create a direct stream
    val kafkaStream =  KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
    val events = kafkaStream.flatMap(line =>  {
      val data =  JSONObject.fromObject(line._2)
      Some(data)
    })

     //  Compute user click times
    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ +  _)
    userClicks.foreachRDD(rdd =>  {
      rdd.foreachPartition(partitionOfRecords =>  {
        partitionOfRecords.foreach(pair =>  {
          val uid =  pair._1
          val clickCount =  pair._2
          val jedis =  RedisClient.pool.getResource
          jedis.select(dbIndex)
          jedis.hincrBy(clickHashKey, uid, clickCount)
          RedisClient.pool.returnResource(jedis)
        })
      })
    })

    ssc.start()
    ssc.awaitTermination()
  }
}

     上面代码使用了Jedis客户端来操作Redis，将分组计数结果数据累加写入Redis存储，如果其他系统需要实时获取该数据，直接从Redis实时读取即可。RedisClient实现代码如下所示：

           package  com.sf.scalademo3

import  redis.clients.jedis.JedisPool
import  org.apache.commons.pool2.impl.GenericObjectPoolConfig

object RedisClient  extends Serializable {
  val redisHost = "10.202.34.232"
  val redisPort = 6383
  val redisTimeout = 30000
  lazy val pool =  new JedisPool( new  GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)

  lazy val hook =  new  Thread {
    override def run =  {
      println("Execute hook thread: " +  this )
      pool.destroy()
    }
  }
  sys.addShutdownHook(hook.run)
}

上面代码我们分别在local[K]和Spark Standalone集群模式下运行通过。
如果我们是在开发环境进行调试的时候，也就是使用local[K]部署模式，在本地启动K个Worker线程来计算，这K个Worker在同一个JVM实例里，上面的代码默认情况是，如果没有传参数则是local[K]模式，所以如果使用这种方式在创建Redis连接池或连接的时候，可能非常容易调试通过，但是在使用Spark Standalone、YARN Client（YARN Cluster）或Mesos集群部署模式的时候，就会报错，主要是由于在处理Redis连接池或连接的时候出错了。我们可以看一下Spark架构，如图所示（来自官网）：
点击在新窗口中浏览原图
CTRL+鼠标滚轮放大或缩小

无论是在本地模式、Standalone模式，还是在Mesos或YARN模式下，整个Spark集群的结构都可以用上图抽象表示，只是各个组件的运行环境不同，导致组件可能是分布式的，或本地的，或单个JVM实例的。如在本地模式，则上图表现为在同一节点上的单个进程之内的多个组件；而在YARN Client模式下，Driver程序是在YARN集群之外的一个节点上提交Spark Application，其他的组件都运行在YARN集群管理的节点上。
在Spark集群环境部署Application后，在进行计算的时候会将作用于RDD数据集上的函数（Functions）发送到集群中Worker上的Executor上（在Spark Streaming中是作用于DStream的操作），那么这些函数操作所作用的对象（Elements）必须是可序列化的，通过Scala也可以使用lazy引用来解决，否则这些对象（Elements）在跨节点序列化传输后，无法正确地执行反序列化重构成实际可用的对象。上面代码我们使用lazy引用（Lazy Reference）来实现的，代码如下所示：

package  com.sf.scalademo3

import  org.apache.commons.pool2.impl.GenericObjectPoolConfig
import  org.apache.spark.SparkConf
import  org.apache.spark.streaming.Seconds
import  org.apache.spark.streaming.StreamingContext
import  org.apache.spark.streaming.dstream.DStream.toPairDStreamFunctions
import  org.apache.spark.streaming.kafka.KafkaUtils
import  kafka.serializer.StringDecoder
import  net.sf.json.JSONObject
import  redis.clients.jedis.JedisPool

object UserClickCountAnalytics2 {

  def main(args: Array[String]): Unit =  {
    var masterUrl = "local[1]"
     if (args.length > 0 ) {
      masterUrl = args(0 )
    }

     //  Create a StreamingContext with the given master URL
    val conf =  new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat" )
    val ssc =  new StreamingContext(conf, Seconds(5 ))

     //  Kafka configurations
    val topics = Set("user_events" )
    val brokers = "localhost:9092"
    val kafkaParams =  Map[String, String](
      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder" )
    val dbIndex = 1
    val clickHashKey = "app::users::click"

     //  Create a direct stream
    val kafkaStream =  KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)

    val events = kafkaStream.flatMap(line =>  {
      val data =  JSONObject.fromObject(line._2)
      Some(data)
    })

     //  Compute user click times
    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ +  _)
    userClicks.foreachRDD(rdd =>  {
      rdd.foreachPartition(partitionOfRecords =>  {
        partitionOfRecords.foreach(pair =>  {
           /**
           * Internal Redis client for managing Redis connection { @link  Jedis} based on { @link  RedisPool}
            */
          object InternalRedisClient  extends Serializable {
            @ transient  private var pool: JedisPool =  null

            def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,
              maxTotal: Int, maxIdle: Int, minIdle: Int): Unit =  {
              makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle,  true,  false, 10000 )
            }

            def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,
              maxTotal: Int, maxIdle: Int, minIdle: Int, testOnBorrow: Boolean,
              testOnReturn: Boolean, maxWaitMillis: Long): Unit =  {
               if (pool ==  null ) {
                val poolConfig =  new  GenericObjectPoolConfig()
                poolConfig.setMaxTotal(maxTotal)
                poolConfig.setMaxIdle(maxIdle)
                poolConfig.setMinIdle(minIdle)
                poolConfig.setTestOnBorrow(testOnBorrow)
                poolConfig.setTestOnReturn(testOnReturn)
                poolConfig.setMaxWaitMillis(maxWaitMillis)
                pool =  new  JedisPool(poolConfig, redisHost, redisPort, redisTimeout)

                val hook =  new  Thread {
                  override def run =  pool.destroy()
                }
                sys.addShutdownHook(hook.run)
              }
            }

            def getPool: JedisPool =  {
               assert(pool !=  null )
              pool
            }
          }

           //  Redis configurations
          val maxTotal = 10
          val maxIdle = 10
          val minIdle = 1
          val redisHost = "10.202.34.232"
          val redisPort = 6383
          val redisTimeout = 30000
          val dbIndex = 1
          InternalRedisClient.makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle)
          val uid =  pair._1
          val clickCount =  pair._2
          val jedis =  InternalRedisClient.getPool.getResource
          jedis.select(dbIndex)

           // 原子操作--Redis HINCRBY命令用于增加存储在字段中存储由增量键哈希的数量。
           // 如果键不存在,新的key被哈希创建。如果字段不存在,值被设置为0之前进行操作。
           jedis.hincrBy(clickHashKey, uid, clickCount)
          InternalRedisClient.getPool.returnResource(jedis)
        })
      })
    })

    ssc.start()
    ssc.awaitTermination()
  }

}

                   上面代码实现，得益于Scala语言的特性，可以在代码中任何位置进行class或object的定义，我们将用来管理Redis连接的代码放在了特定操作的内部，就避免了瞬态（Transient）对象跨节点序列化的问题。这样做还要求我们能够了解Spark内部是如何操作RDD数据集的，更多可以参考RDD或Spark相关文档。
在集群上，以Standalone模式运行，执行如下命令：

                         cd /usr/local/ spark

2    ./bin/spark-submit -- class org.shirdrn.spark.streaming.UserClickCountAnalytics --master spark: // hadoop1:7077 --executor-memory 1G --total-executor-cores 2 ~/spark-0.0.SNAPSHOT.jar spark: // hadoop1:7077

     可以查看集群中各个Worker节点执行计算任务的状态，也可以非常方便地通过Web页面查看。

     下面，看一下我们存储到Redis中的计算结果，如下所示：

           点击在新窗口中浏览原图
CTRL+鼠标滚轮放大或缩小

      有关更多关于Spark Streaming的详细内容，可以参考官方文档。

     附录

     这里，附上前面开发的应用所对应的依赖，以及打包Spark Streaming应用程序的Maven配置，以供参考。如果使用maven-shade-plugin插件，配置有问题的话，打包后在Spark集群上提交Application时候可能会报错Invalid signature file digest for Manifest main attributes。

转自：http://shiyanjun.cn/archives/1097.html

----------------------------
原文链接:https://blog.csdn.net/weixin_34416754/article/details/85609492

程序猿的技术大观园：www.javathinker.net

[这个贴子最后由 flybird 在 2020-03-22 10:15:17 重新编辑]

Java精品书籍推荐