Kafka整合Spark

安装zk集群

1.上传zk安装包

2.解压

3.配置（先在一台节点上配置）
	3.1添加一个zoo.cfg配置文件

	$ZOOKEEPER/conf
	mv zoo_sample.cfg zoo.cfg
	
	3.2修改配置文件（zoo.cfg）
		dataDir=/test/zookeeper-3.4.5/data
		
		server.5=test:2888:3888
		server.6=test:2888:3888
		server.7=test:2888:3888
	
	3.3在（dataDir=/test/zookeeper-3.4.5/data）创建一个myid文件，里面内容是server.N中的N（server.2里面内容为2）
		echo "5" > myid
	
	3.4将配置好的zk拷贝到其他节点
		scp -r /test/zookeeper-3.4.5/ test:/test/
		scp -r /test/zookeeper-3.4.5/ test:/test/
	
	3.5注意：在其他节点上一定要修改myid的内容
		在test06应该讲myid的内容改为6 （echo "6" > myid）
		在test07应该讲myid的内容改为7 （echo "7" > myid）
		
4.启动集群
	分别启动zk
		./zkServer.sh start

2.config/server.properties
添加zk地址:zookeeper.connect=node-1:2181,node-2:2181,node-3:2181
修改broker.id(唯一的)：broker.id=0

3.启动

/bin/kafka-server-start.sh  config/server.properties > /dev/null 2>&1 &

4.创建topic

bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 3 --partitions 3 --topic test

5.列出所有topic

bin/kafka-topics.sh --list --zookeeper localhost:2181

6.向topic中写入数据

bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test

7.消费数据

bin/kafka-console-consumer.sh --zookeeper localhost:2181 --topic test --from-beginning

8.查看指定topic的详情

bin/kafka-topics.sh --describe --zookeeper localhost:2181 --topic test

producer配置文件

#指定kafka节点列表，用于获取metadata，不必全部指定
metadata.broker.list=master:9092,work1:9092

指定分区处理类。默认kafka.producer.DefaultPartitioner，表通过key哈希到对应分区

#partitioner.class=kafka.producer.DefaultPartitioner

是否压缩，默认0表示不压缩，1表示用gzip压缩，2表示用snappy压缩。压缩后消息中会有头来指明消息压缩类型，故在消费者端消息解压是透明的无需指定。

compression.codec=none

指定序列化处理类

serializer.class=kafka.serializer.DefaultEncoder

如果要压缩消息，这里指定哪些topic要压缩消息，默认empty，表示不压缩。

#compressed.topics=

设置发送数据是否需要服务端的反馈,有三个值0,1,-1

0: producer不会等待broker发送ack

1: 当leader接收到消息之后发送ack

-1: 当所有的follower都同步消息成功后发送ack.

request.required.acks=0

在向producer发送ack之前,broker允许等待的最大时间 ，如果超时,broker将会向producer发送一个error ACK.意味着上一次消息因为某种原因未能成功(比如follower未能同步成功)

request.timeout.ms=10000

同步还是异步发送消息，默认“sync”表同步，”async”表异步。异步可以提高发送吞吐量,

#也意味着消息将会在本地buffer中,并适时批量发送，但是也可能导致丢失未发送过去的消息
producer.type=sync

在async模式下,当message被缓存的时间超过此值后,将会批量发送给broker,默认为5000ms

此值和batch.num.messages协同工作.

queue.buffering.max.ms = 5000

在async模式下,producer端允许buffer的最大消息量

无论如何,producer都无法尽快的将消息发送给broker,从而导致消息在producer端大量沉积

此时,如果消息的条数达到阀值,将会导致producer端阻塞或者消息被抛弃，默认为10000

queue.buffering.max.messages=20000

如果是异步，指定每次批量发送数据量，默认为200

batch.num.messages=500

当消息在producer端沉积的条数达到”queue.buffering.max.meesages”后

阻塞一定时间后,队列仍然没有enqueue(producer仍然没有发送出任何消息)

此时producer可以继续阻塞或者将消息抛弃,此timeout值用于控制”阻塞”的时间

-1: 无阻塞超时限制,消息不会被抛弃

0:立即清空队列,消息被抛弃

queue.enqueue.timeout.ms=-1

当producer接收到error ACK,或者没有接收到ACK时,允许消息重发的次数

因为broker并没有完整的机制来避免消息重复,所以当网络异常时(比如ACK丢失)

有可能导致broker接收到重复的消息,默认值为3.

message.send.max.retries=3

producer刷新topic metada的时间间隔,producer需要知道partition leader的位置,以及当前topic的情况

因此producer需要一个机制来获取最新的metadata,当producer遇到特定错误时,将会立即刷新

(比如topic失效,partition丢失,leader失效等),此外也可以通过此参数来配置额外的刷新机制，默认值600000

topic.metadata.refresh.interval.ms=60000

server配置文件

#broker的全局唯一编号，不能重复
broker.id=0

#用来监听链接的端口，producer或consumer将在此端口建立连接
port=9092

#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

#接受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=/export/logs/kafka

#topic在当前broker上的分片个数
num.partitions=2

#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

#滚动生成新的segment文件的最大时间
log.roll.hours=168

#日志文件中每个segment的大小，默认为1G
log.segment.bytes=1073741824

#周期性检查文件大小的时间
log.retention.check.interval.ms=300000

#日志清理是否打开
log.cleaner.enable=true

#broker需要使用zookeeper保存meta数据
zookeeper.connect=master:2181,work1:2181,work2:2181

#zookeeper链接超时时间
zookeeper.connection.timeout.ms=6000

#partion buffer中，消息的条数达到阈值，将触发flush到磁盘
log.flush.interval.messages=10000

#消息buffer的时间，达到阈值，将触发flush到磁盘
log.flush.interval.ms=3000

#删除topic需要server.properties中设置delete.topic.enable=true否则只是标记删除
delete.topic.enable=true

#此处的host.name为本机IP(重要),如果不改,则客户端会抛出:Producer connection to localhost:9092 unsuccessful 错误!
host.name=master

1.从TCP端口中读取数据

yum install -y nc
nc -lk 9000

#注意：要指定并行度，如在本地运行设置setMaster(“local[2]”)，相当于启动两个线程，一个给receiver，一个给computer。

#如果是在集群中运行，必须要求集群中可用core数大于1

#提交spark-streaming任务

bin/spark-submit --class cn.test.spark.streaming.TCPDemo /root/streaming-1.0.jar

2.结合flume
2.1 flume push方式

#首先启动spark-streaming应用程序

bin/spark-submit --class cn.test.spark.streaming.FlumeWordCount /root/streaming-1.0.jar

#再启动flmue

bin/flume-ng agent -n a1 -c conf/ -f conf/flume-push.conf -Dflume.root.logger=WARN,console

2.2 flume poll方式

#首先将下载好的spark-streaming-flume-sink_2.10-1.6.1.jar和scala-library-2.10.5.jar还有commons-lang3-3.3.2.jar三个包放入到flume的lib目录下

#启动flume

bin/flume-ng agent -n a1 -c conf/ -f conf/flume-poll.conf -Dflume.root.logger=WARN,console

#再启动spark-streaming应用程序

bin/spark-submit --class cn.test.spark.streaming.FlumePollWordCount /root/streaming-1.0.jar

3.结合kafka

#首先启动zk

bin/kafka-server-start.sh config/server.properties

#创建topic

bin/kafka-topics.sh --create --zookeeper 192.168.80.10:2181 --replication-factor 1 --partitions 1 --topic wordcount

#查看主题

bin/kafka-topics.sh --list --zookeeper 192.168.80.10:2181

#启动一个生产者发送消息

bin/kafka-console-producer.sh --broker-list 192.168.80.10:9092 --topic wordcount

#启动spark-streaming应用程序

bin/spark-submit --class cn.test.spark.streaming.KafkaWordCount /root/streaming-1.0.jar 192.168.80.10:2181 group1 wordcount 1

bin/spark-submit --class cn.test.spark.UrlCount --master spark://node1.test.cn:7077 --executor-memory 1G --total-executor-cores 2 /root/SparkDemo-1.0.jar node1.test.cn:2181,node2.test.cn:2181,node3.test.cn:2181 group1 weblog 2

赏

谢谢你请我吃橘子

支付宝

微信