该版本是原先教程的python版本。
查看前一步骤操作步骤二:数据处理和Python操作Kafka
查看scala版本scala版本:Spark Streaming实时处理数据
《Spark+Kafka构建实时分析Dashboard案例——步骤三:Spark Streaming实时处理数据(python版本)》
开发团队:厦门大学数据库实验室 联系人:林子雨老师ziyulin@xmu.edu.cn
版权声明:版权归厦门大学数据库实验室所有,请勿用于商业用途;未经授权,其他网站请勿转载
本教程介绍大数据课程实验案例“Spark+Kafka构建实时分析Dashboard”的第三个步骤,Spark Streaming实时处理数据。在本篇博客中,将介绍如何利用Spark Streaming实时接收处理Kafka数据以及将处理后的结果发给的Kafka。
所需知识储备
会使用python编写Spark Streaming程序,Kafka原理。
训练技能
编写Spark Streaming程序,熟悉pySpark操作Kafka。
任务清单
- Spark Streaming实时处理Kafka数据;
- 将处理后的结果发送给Kafka;
编程思想
本案例在于实时统计每秒中男女生购物人数,而Spark Streaming接收的数据为1,1,0,2...,其中0代表女性,1代表男性,所以对于2或者null值,则不考虑。其实通过分析,可以发现这个就是典型的wordcount问题,而且是基于Spark流计算。女生的数量,即为0的个数,男生的数量,即为1的个数。
因此利用Spark Streaming接口reduceByKeyAndWindow,设置窗口大小为1,滑动步长为1,这样统计出的0和1的个数即为每秒男生女生的人数。
编程实现
配置Spark开发Kafka环境
kafka的安装可以参考Kafka的安装和简单实例测试。如果之前没有学习过Spark和Kafka的组合使用方法,建议先阅读厦门大学数据库实验室博客文章《Spark2.1.0入门:Apache Kafka作为DStream数据源》。下面主要介绍配置Spark开发Kafka环境。首先点击下载spark-streaming-kafka,下载Spark连接Kafka的代码库。然后把下载的代码库放到目录/usr/local/spark/jars目录下,命令如下:
- sudo mv ~/下载/spark-streaming-kafka-0-8_2.11-2.1.0.jar /usr/local/spark/jars
然后在/usr/local/spark/jars目录下新建kafka目录,把/usr/local/kafka/libs下所有函数库复制到/usr/local/spark/jars/kafka目录下,命令如下
- cd /usr/local/spark/jars
- mkdir kafka
- cd kafka
- cp /usr/local/kafka/libs/* .
然后,修改 Spark 配置文件,命令如下
- cd /usr/local/spark/conf
- sudo vim spark-env.sh
把 Kafka 相关 jar 包的路径信息增加到 spark-env.sh,修改后的 spark-env.sh 类似如下:
export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoopclasspath):/usr/local/spark/jars/kafka/*:/usr/local/kafka/libs/*
因为我使用的python3版本,而spark默认使用的是python2,所以介绍一下,怎么为spark设置python环境。
要改两个地方,一个是conf目录下的spark_env.sh:在这个文件的开头添加:
export PYSPARK_PYTHON=/usr/bin/python3.6
这里的python3.6是我本地的使用版本,读者在自己实验的时候,要找到你自己本地的版本,这个是一个有点类似exe的一个文件。正常来说,python3的版本对于本实验都可以运行。
第二个地方要修改,/usr/local/spark/bin/pyspark这个文件。参照以下修改这个地方:
- # Determine the Python executable to use for the executors:
- if [[ -z "$PYSPARK_PYTHON" ]]; then
- if [[ $PYSPARK_DRIVER_PYTHON == *ipython* && ! $WORKS_WITH_IPYTHON ]]; then
- echo "IPython requires Python 2.7+; please install python2.7 or set PYSPARK_PYTHON" 1>&2
- exit 1
- else
- PYSPARK_PYTHON=python
- fi
- fi
- export PYSPARK_PYTHON
把上面的 PYSPARK_PYTHON=python改成 PYSPARK_PYTHON=python3.6。
这样子就是使用本地的python3.6环境了。这时候,我们可能会用到一些模块,需要安装:
比如kafka,如果后续运行程序时候还出现缺少模块的,请继续参照kafka安装:
- sudo pip3 install kafka
执行上述步骤之后,Spark开发Kafka环境即已配置好,下面介绍如何编码实现。
建立pySpark项目
首先在/usr/local/spark/mycode新建项目目录
- cd /usr/local/spark/mycode
- mkdir kafka
然后在kafka这个目录下创建一个kafka_test.py文件。
- from kafka import KafkaProducer
- from pyspark.streaming import StreamingContext
- from pyspark.streaming.kafka import KafkaUtils
- from pyspark import SparkConf, SparkContext
- import json
- import sys
- def KafkaWordCount(zkQuorum, group, topics, numThreads):
- spark_conf = SparkConf().setAppName("KafkaWordCount")
- sc = SparkContext(conf=spark_conf)
- sc.setLogLevel("ERROR")
- ssc = StreamingContext(sc, 1)
- ssc.checkpoint(".")
- # 这里表示把检查点文件写入分布式文件系统HDFS,所以要启动Hadoop
- # ssc.checkpoint(".")
- topicAry = topics.split(",")
- # 将topic转换为hashmap形式,而python中字典就是一种hashmap
- topicMap = {}
- for topic in topicAry:
- topicMap[topic] = numThreads
- lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(lambda x : x[1])
- words = lines.flatMap(lambda x : x.split(" "))
- wordcount = words.map(lambda x : (x, 1)).reduceByKeyAndWindow((lambda x,y : x+y), (lambda x,y : x-y), 1, 1, 1)
- wordcount.foreachRDD(lambda x : sendmsg(x))
- ssc.start()
- ssc.awaitTermination()
- # 格式转化,将[["1", 3], ["0", 4], ["2", 3]]变为[{'1': 3}, {'0': 4}, {'2': 3}],这样就不用修改第四个教程的代码了
- def Get_dic(rdd_list):
- res = []
- for elm in rdd_list:
- tmp = {elm[0]: elm[1]}
- res.append(tmp)
- return json.dumps(res)
- def sendmsg(rdd):
- if rdd.count != 0:
- msg = Get_dic(rdd.collect())
- # 实例化一个KafkaProducer示例,用于向Kafka投递消息
- producer = KafkaProducer(bootstrap_servers='localhost:9092')
- producer.send("result", msg.encode('utf8'))
- # 很重要,不然不会更新
- producer.flush()
- if __name__ == '__main__':
- # 输入的四个参数分别代表着
- # 1.zkQuorum为zookeeper地址
- # 2.group为消费者所在的组
- # 3.topics该消费者所消费的topics
- # 4.numThreads开启消费topic线程的个数
- if (len(sys.argv) < 5):
- print("Usage: KafkaWordCount <zkQuorum> <group> <topics> <numThreads>")
- exit(1)
- zkQuorum = sys.argv[1]
- group = sys.argv[2]
- topics = sys.argv[3]
- numThreads = int(sys.argv[4])
- print(group, topics)
- KafkaWordCount(zkQuorum, group, topics, numThreads)
上述代码注释已经也很清楚了,下面在简要说明下:
1. 首先按每秒的频率读取Kafka消息;
2. 然后对每秒的数据执行wordcount算法,统计出0的个数,1的个数,2的个数;
3. 最后将上述结果封装成json发送给Kafka。
另外,需要注意,上面代码中有一行如下代码:
ssc.checkpoint(".")
这行代码表示把检查点文件写入分布式文件系统HDFS,所以一定要事先启动Hadoop。如果没有启动Hadoop,则后面运行时会出现“拒绝连接”的错误提示。如果你还没有启动Hadoop,则可以现在在Ubuntu终端中,使用如下Shell命令启动Hadoop:
- cd /usr/local/hadoop #这是hadoop的安装目录
- ./sbin/start-dfs.sh
另外,如果不想把检查点写入HDFS,而是直接把检查点写入本地磁盘文件(这样就不用启动Hadoop),则可以对ssc.checkpoint()方法中的文件路径进行指定,比如下面这个例子:
ssc.checkpoint("file:///usr/local/spark/mycode/kafka/checkpoint")
运行项目
编写好程序之后,接下来编写运行脚本,在/usr/local/spark/mycode/kafka目录下新建startup.sh文件,输入如下内容:
- /usr/local/spark/bin/spark-submit /usr/local/spark/mycode/kafka/kafka_test.py 127.0.0.1:2181 1 sex 1
其中最后四个为输入参数,含义如下
1. 127.0.0.1:2181为Zookeeper地址
2. 1 为consumer group标签
3. sex为消费者接收的topic
4. 1 为消费者线程数
最后在/usr/local/spark/mycode/kafka目录下,运行如下命令即可执行刚编写好的Spark Streaming程序
- sh startup.sh
程序运行成功之后,下面通过步骤二的KafkaProducer和KafkaConsumer来检测程序。
测试程序
下面开启之前编写的KafkaProducer投递消息,然后将KafkaConsumer中接收的topic改为result,验证是否能接收topic为result的消息,更改之后的KafkaConsumer为
- from kafka import KafkaConsumer
- consumer = KafkaConsumer('result')
- for msg in consumer:
- print((msg.value).decode('utf8'))
在同时开启Spark Streaming项目,KafkaProducer以及KafkaConsumer之后,可以在KafkaConsumer运行窗口看到如下输出:
到此为止,Spark Streaming程序编写完成,下篇文章将分析如何处理得到的最终结果。