生产SparkStreaming数据零丢失最佳实践(含代码)
发表于:2025-02-03 作者:千家信息网编辑
千家信息网最后更新 2025年02月03日,MySQL创建存储offset的表格mysql> use testmysql> create table hlw_offset( topic varchar(32), gr
千家信息网最后更新 2025年02月03日生产SparkStreaming数据零丢失最佳实践(含代码)
MySQL创建存储offset的表格
mysql> use testmysql> create table hlw_offset( topic varchar(32), groupid varchar(50), partitions int, fromoffset bigint, untiloffset bigint, primary key(topic,groupid,partitions) );
Maven依赖包
2.11.8 2.3.1 2.5.0 -------------------------------------------------- org.scala-lang scala-library ${scala.version} org.apache.spark spark-core_2.11 ${spark.version} org.apache.spark spark-sql_2.11 ${spark.version} org.apache.spark spark-streaming_2.11 ${spark.version} org.apache.spark spark-streaming-kafka-0-8_2.11 ${spark.version} mysql mysql-connector-java 5.1.27 org.scalikejdbc scalikejdbc_2.11 2.5.0 org.scalikejdbc scalikejdbc-config_2.11 2.5.0 com.typesafe config 1.3.0 org.apache.commons commons-lang3 3.5
实现思路
1)StreamingContext2)从kafka中获取数据(从外部存储获取offset-->根据offset获取kafka中的数据)3)根据业务进行逻辑处理4)将处理结果存到外部存储中--保存offset5)启动程序,等待程序结束
代码实现
SparkStreaming主体代码如下
import kafka.common.TopicAndPartitionimport kafka.message.MessageAndMetadataimport kafka.serializer.StringDecoderimport org.apache.spark.SparkConfimport org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils}import org.apache.spark.streaming.{Seconds, StreamingContext}import scalikejdbc._import scalikejdbc.config._object JDBCOffsetApp { def main(args: Array[String]): Unit = { //创建SparkStreaming入口 val conf = new SparkConf().setMaster("local[2]").setAppName("JDBCOffsetApp") val ssc = new StreamingContext(conf,Seconds(5)) //kafka消费主题 val topics = ValueUtils.getStringValue("kafka.topics").split(",").toSet //kafka参数 //这里应用了自定义的ValueUtils工具类,来获取application.conf里的参数,方便后期修改 val kafkaParams = Map[String,String]( "metadata.broker.list"->ValueUtils.getStringValue("metadata.broker.list"), "auto.offset.reset"->ValueUtils.getStringValue("auto.offset.reset"), "group.id"->ValueUtils.getStringValue("group.id") ) //先使用scalikejdbc从MySQL数据库中读取offset信息 //+------------+------------------+------------+------------+-------------+ //| topic | groupid | partitions | fromoffset | untiloffset | //+------------+------------------+------------+------------+-------------+ //MySQL表结构如上,将"topic","partitions","untiloffset"列读取出来 //组成 fromOffsets: Map[TopicAndPartition, Long],后面createDirectStream用到 DBs.setup() val fromOffset = DB.readOnly( implicit session => { SQL("select * from hlw_offset").map(rs => { (TopicAndPartition(rs.string("topic"),rs.int("partitions")),rs.long("untiloffset")) }).list().apply() }).toMap //如果MySQL表中没有offset信息,就从0开始消费;如果有,就从已经存在的offset开始消费 val messages = if (fromOffset.isEmpty) { println("从头开始消费...") KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder](ssc,kafkaParams,topics) } else { println("从已存在记录开始消费...") val messageHandler = (mm:MessageAndMetadata[String,String]) => (mm.key(),mm.message()) KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder,(String,String)](ssc,kafkaParams,fromOffset,messageHandler) } messages.foreachRDD(rdd=>{ if(!rdd.isEmpty()){ //输出rdd的数据量 println("数据统计记录为:"+rdd.count()) //官方案例给出的获得rdd offset信息的方法,offsetRanges是由一系列offsetRange组成的数组// trait HasOffsetRanges {// def offsetRanges: Array[OffsetRange]// } val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges offsetRanges.foreach(x => { //输出每次消费的主题,分区,开始偏移量和结束偏移量 println(s"---${x.topic},${x.partition},${x.fromOffset},${x.untilOffset}---") //将最新的偏移量信息保存到MySQL表中 DB.autoCommit( implicit session => { SQL("replace into hlw_offset(topic,groupid,partitions,fromoffset,untiloffset) values (?,?,?,?,?)") .bind(x.topic,ValueUtils.getStringValue("group.id"),x.partition,x.fromOffset,x.untilOffset) .update().apply() }) }) } }) ssc.start() ssc.awaitTermination() }}
自定义的ValueUtils工具类如下
import com.typesafe.config.ConfigFactoryimport org.apache.commons.lang3.StringUtilsobject ValueUtils {val load = ConfigFactory.load() def getStringValue(key:String, defaultValue:String="") = {val value = load.getString(key) if(StringUtils.isNotEmpty(value)) { value } else { defaultValue } }}
application.conf内容如下
metadata.broker.list = "192.168.137.251:9092"auto.offset.reset = "smallest"group.id = "hlw_offset_group"kafka.topics = "hlw_offset"serializer.class = "kafka.serializer.StringEncoder"request.required.acks = "1"# JDBC settingsdb.default.driver = "com.mysql.jdbc.Driver"db.default.url="jdbc:mysql://hadoop000:3306/test"db.default.user="root"db.default.password="123456"
自定义kafka producer
import java.util.{Date, Properties}import kafka.producer.{KeyedMessage, Producer, ProducerConfig}object KafkaProducer { def main(args: Array[String]): Unit = { val properties = new Properties() properties.put("serializer.class",ValueUtils.getStringValue("serializer.class")) properties.put("metadata.broker.list",ValueUtils.getStringValue("metadata.broker.list")) properties.put("request.required.acks",ValueUtils.getStringValue("request.required.acks")) val producerConfig = new ProducerConfig(properties) val producer = new Producer[String,String](producerConfig) val topic = ValueUtils.getStringValue("kafka.topics") //每次产生100条数据 var i = 0 for (i <- 1 to 100) { val runtimes = new Date().toString val messages = new KeyedMessage[String, String](topic,i+"","hlw: "+runtimes) producer.send(messages) } println("数据发送完毕...") }}
测试
启动kafka服务,并创建主题
[hadoop@hadoop000 bin]$ ./kafka-server-start.sh -daemon /home/hadoop/app/kafka_2.11-0.10.0.1/config/server.properties[hadoop@hadoop000 bin]$ ./kafka-topics.sh --list --zookeeper localhost:2181/kafka[hadoop@hadoop000 bin]$ ./kafka-topics.sh --create --zookeeper localhost:2181/kafka --replication-factor 1 --partitions 1 --topic hlw_offset
测试前查看MySQL中offset表,刚开始是个空表
mysql> select * from hlw_offset;Empty set (0.00 sec)
通过kafka producer产生500条数据
启动SparkStreaming程序
//控制台输出结果:从头开始消费...数据统计记录为:500---hlw_offset,0,0,500---
查看MySQL表,offset记录成功mysql> select * from hlw_offset;+------------+------------------+------------+------------+-------------+| topic | groupid | partitions | fromoffset | untiloffset |+------------+------------------+------------+------------+-------------+| hlw_offset | hlw_offset_group | 0 | 0 | 500 |+------------+------------------+------------+------------+-------------+
关闭SparkStreaming程序,再使用kafka producer生产300条数据,再次启动spark程序(如果spark从500开始消费,说明成功读取了offset,做到了只读取一次语义)
//控制台结果输出:从已存在记录开始消费...数据统计记录为:300---hlw_offset,0,500,800---
查看更新后的offset MySQL数据
mysql> select * from hlw_offset;+------------+------------------+------------+------------+-------------+| topic | groupid | partitions | fromoffset | untiloffset |+------------+------------------+------------+------------+-------------+| hlw_offset | hlw_offset_group | 0 | 500 | 800 |+------------+------------------+------------+------------+-------------+
数据
消费
程序
信息
输出
主题
数据统计
结果
偏移
存储
统计
代码
成功
从头
参数
工具
控制台
处理
控制
测试
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
软件开发大数据方向就业
软件开发团队人员分别有什么
pos系统数据库
c 设计上位机软件开发
软件开发环境目标
区块链pos服务器搭建
网络安全无线ap要求
直销银行软件开发企业
软件开发五个阶段是什么
软件开发经济可行分析
数据库连不上local
河南c语言软件开发服务
网络安全相关信息讲座内容
云服务器 .net
怎么在服务器一直保持管理
石家庄网络安全的公司
程序编程和软件开发是什么意思
服务器内存与普通内存编号
网络安全员责任制度
吉林定制服务器机箱厂商
服务器网站保护规定
麦基网络技术
极光虚拟服务器是什么意思
护苗网络安全下载
服务器关了还能ping到吗
网络安全产品的定价
云开发未来的软件开发方式
购买了服务器手机如何登录服务器
大数据库分析股票
珠海市有软件开发公司吗