厦大数据库实验室博客

总结、分享、收获

实验室主页



Spark+Kafka构建实时分析Dashboard案例（2022年9月V2.0版）——步骤三：Structured Streaming实时处理数据（scala版本）

刘, 浩然 (updated: )
大数据学习路线图

返回本案例首页

查看前一步骤操作步骤二：数据处理和Python操作Kafka
查看python版本python版本：Structured Streaming实时处理数据
《Spark+Kafka构建实时分析Dashboard案例——步骤三：Structured Streaming实时处理数据》

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，Structured Streaming实时处理数据。在本篇博客中，将介绍如何利用Structed 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Scala编写Structured Streaming程序，Kafka原理。

训练技能

编写Structured Streaming程序，熟悉Spark操作Kafka。

任务清单

  1. Structured Streaming实时处理Kafka数据；
  2. 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Structured 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Structured Streaming的groupBy接口，设置窗口大小为1秒，滑动步长为1秒，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。下面主要介绍配置Spark开发Kafka环境。首先点击下载，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_2.12-3.2.0.jar /usr/local/spark/jars
sudo mv ~/下载/spark-streaming-kafka-0-10_2.12-3.2.0.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/* .

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Spark项目

之前有很多教程都有说明如何创建Spark项目，这里再次说明。首先在/usr/local/spark/mycode新建项目主目录

cd /usr/local/spark/mycode
mkdir kafka

然后在kafka目录下新建scala文件存放目录以及scala工程文件

cd kafka
mkdir -p src/main/scala

接着在src/main/scala文件下创建两个文件，一个是用于设置日志，一个是项目工程主文件，设置日志文件为StreamingExamples.scala

package org.apache.spark.examples.streaming
import org.apache.spark.internal.Logging
import org.apache.log4j.{Level, Logger}
/** Utility functions for Spark Streaming examples. */
object StreamingExamples extends Logging {
  /** Set reasonable logging levels for streaming if the user has not configured log4j. */
  def setStreamingLogLevels() {
    val log4jInitialized = Logger.getRootLogger.getAllAppenders.hasMoreElements
    if (!log4jInitialized) {
      // We first log something to initialize Spark's default logging, then we override the
      // logging level.
      logInfo("Setting log level to [WARN] for streaming example." +
        " To override add a custom log4j.properties to the classpath.")
      Logger.getRootLogger.setLevel(Level.WARN)
    }
  }
}

这个文件不做过多解释，因为这只是一个辅助文件，下面着重介绍工程主文件，文件名为KafkaTest.scala

package org.apache.spark.examples.streaming

import java.util.HashMap
import org.apache.kafka.clients.producer.{KafkaProducer, ProducerConfig, ProducerRecord}
import org.json4s._
import org.json4s.jackson.Serialization
import org.json4s.jackson.Serialization.write
import org.apache.spark.SparkConf
import org.apache.spark.streaming._
import org.apache.spark.streaming.Interval
//import org.apache.spark.streaming.kafka._
import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.streaming.kafka010._
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import java.sql.Timestamp
import org.apache.spark.sql.streaming.OutputMode
import org.apache.spark.sql.{Row, ForeachWriter, DataFrame, Dataset, SparkSession}
import scala.util.parsing.json.{JSONArray, JSONObject}
object KafkaWordCount {
  implicit val formats = DefaultFormats//数据格式化时需要
  def processed(row: Row): String={
      /*val m = row.getValuesMap(row.schema.fieldNames)
      val jsonstring = JSONObject(m).toString()*/
      //[{"1": "3"}]"
      var jsonstring = "[{\""+row(0)+"\": \""+row(1)+"\"}]"
      print(jsonstring)
      val props = new HashMap[String, Object]()
      props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "127.0.0.1:9092")
      props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,
      "org.apache.kafka.common.serialization.StringSerializer")
      props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,
      "org.apache.kafka.common.serialization.StringSerializer")
      // 实例化一个Kafka生产者
      val producer = new KafkaProducer[String, String](props)
      // rdd.colect即将rdd中数据转化为数组，然后write函数将rdd内容转化为json格式
      val str = jsonstring
      // 封装成Kafka消息，topic为"result"
      val message = new ProducerRecord[String, String]("result", null, str)
      // 给Kafka发送消息
      producer.send(message)
      jsonstring
  }
  def main(args: Array[String]): Unit={
    if (args.length < 4) {
      System.err.println("Usage: KafkaWordCount <zkQuorum> <group> <topics> <numThreads>")
      System.exit(1)
    }
    StreamingExamples.setStreamingLogLevels()
    /* 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
    */
    val Array(zkQuorum, group, topics, numThreads) = args

    val spark = SparkSession
      .builder()
      .appName("KafkaWordCount").master("local[*]")
      .getOrCreate()
    // 创建连接Kafka的消费者链接

    import  spark.implicits._
    val df = spark.readStream
      .format("kafka")
      .option("kafka.bootstrap.servers","localhost:9092")
      .option("subscribe","sex")
      .option("failOnDataLoss","false")
      .load()

    val dataSet : Dataset[(String,Timestamp)]=
      df.selectExpr("CAST(value AS STRING)", "CAST(timestamp AS TIMESTAMP)")
        .as[(String,Timestamp)]
    val words =dataSet.toDF("value","timestamp")

    import  org.apache.spark.sql.functions._
    //根据窗口、开始id分组
    val windowsCount=words
      .withWatermark("timestamp","1 seconds")
      .groupBy(
      window($"timestamp","1 seconds","1 seconds")
      ,$"value"
    ).count()

    val ds = windowsCount
    .selectExpr("CAST(value AS STRING)", "CAST(count AS STRING)")
    .writeStream.foreach(
      new ForeachWriter[Row] {

      def open(partitionId: Long, version: Long): Boolean = {
         true
      }

      def process(record: Row): Unit = {

        processed(record)
      }

      def close(errorOrNull: Throwable): Unit = {
      // Close the connection
      }
      }
    ).option("checkpointLocation", "check/")
    .outputMode("append")
    .start()

    ds.awaitTermination()
  }
}

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：

.option("checkpointLocation", "check/")

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

运行项目

编写好程序之后，下面介绍下如何打包运行程序。在/usr/local/spark/mycode/kafka目录下新建文件simple.sbt，输入如下内容：

name := "Simple Project"
version := "1.0"
scalaVersion := "2.12.15"
libraryDependencies += "org.apache.spark" %% "spark-core" % "3.2.0" % "provided"
libraryDependencies += "org.apache.spark" % "spark-streaming_2.12" % "3.2.0" % "provided"
libraryDependencies += "org.apache.spark" % "spark-streaming-kafka-0-10_2.12" % "3.2.0" % "provided"
libraryDependencies += "org.json4s" %% "json4s-jackson" % "3.7.0-M5" % "provided"
libraryDependencies += "org.apache.spark" %% "spark-token-provider-kafka-0-10" % "3.2.0"
libraryDependencies += "org.apache.spark" %% "spark-sql" % "3.2.0"

然后，即可编译打包程序，输入如下命令

/usr/local/sbt/sbt package

打包成功之后，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 --packages org.apache.spark:spark-sql-kafka-0-10_2.12:3.2.0 --driver-class-path /usr/local/spark/jars/*:/usr/local/spark/jars/kafka/* --class "org.apache.spark.examples.streaming.KafkaWordCount" /usr/local/spark/mycode/kafka/target/scala-2.12/simple-project_2.12-1.0.jar 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Structured Streaming程序

sh startup.sh

程序运行成功之后，下面通过之前的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Structured Streaming项目，KafkaProducer以及KafkaConsumer之后，可以在KafkaConsumer运行窗口看到如下输出：
KafkaConsumer输出

到此为止，Structured 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。

下篇文章链接为Spark+Kafka构建实时分析Dashboard案例——步骤四：结果展示

© 2014 厦大数据库实验室