SparkStreaming整合kafka的补充

（1）SparkStreaming 整合 kafka 两种方式对比

Direct 方式的优缺点分析 ：

• 优点：
  • 简化并行(Simplified Parallelism)。不现需要创建以及 union 多输入源，Kafka topic 的partition 与 RDD 的 partition 一一对应。
  • 高效(Efficiency)。基于 Receiver-based 的方式保证数据零丢失（zero-data loss）需要配置 spark.streaming.receiver.writeAheadLog.enable=true，此种方式需要保存两份数据，浪费存储空间也影响效率。而 Direct 方式则不存在这个问题。
  • 强一致语义（Exactly-once semantics）。High-level 数据由 Spark Streaming 消费，但是Offsets 则是由 Zookeeper 保存。通过参数配置，可以实现 at-least once 消费，此种情况有重复消费数据的可能。
  • 降低资源。Direct 不需要 Receivers，其申请的 Executors 全部参与到计算任务中；而Receiver-based 则需要专门的 Receivers 来读取 Kafka 数据且不参与计算。因此相同的资源申请，Direct 能够支持更大的业务。
  • 降低内存。Receiver-based 的 Receiver 与其他 Exectuor 是异步的，并持续不断接收数据，对于小业务量的场景还好，如果遇到大业务量时，需要提高 Receiver 的内存，但是参与计算的 Executor 并无需那么多的内存。而 Direct 因为没有 Receiver，而是在计算时读取数据，然后直接计算，所以对内存的要求很低。
• 缺点：
  • 提高成本。Direct 需要用户采用 checkpoint 或者第三方存储来维护 offsets，而不像Receiver-based 那样，通过 ZooKeeper 来维护 Offsets，此提高了用户的开发成本。
  • 监控可视化。Receiver-based 方式指定 topic 指定 consumer 的消费情况均能通过ZooKeeper 来监控，而 Direct 则没有这种便利，不能自动保存 offset 到 zookeeper，如果做到监控并可视化，则需要投入人力开发。
    Receiver 方式的优缺点分析 ：
• 优点：
  • 专注计算。Kafka 的 high-level 数据读取方式让用户可以专注于所读数据，而不用关注或维护 consumer 的 offsets，这减少用户的工作量以及代码量而且相对比较简单。
• 缺点：
  • 防数据丢失。做 checkpoint 操作以及配置 spark.streaming.receiver.writeAheadLog.enable参数，配置 spark.streaming.receiver.writeAheadLog.enable 参数，每次处理之前需要将该batch 内的日志备份到 checkpoint 目录中，这降低了数据处理效率，反过来又加重了Receiver 端的压力；另外由于数据备份机制，会受到负载影响，负载一高就会出现延迟的风险，导致应用崩溃。
  • 单 Receiver 内存。由于 receiver 也是属于 Executor 的一部分，那么为了提高吞吐量
  • 重复消费。在程序失败恢复时，有可能出现数据部分落地，但是程序失败，未更新 offset的情况，这导致数据重复消费。
  • Receiver 和计算的 Executor的异步的，那么遇到网络等因素原因，导致计算出现延迟，计算队列一直在增加，而Receiver 则在一直接收数据，这非常容易导致程序崩溃。

    （2）对kafka消费的offset的管理

• spark自带的checkpoint：
  • 启用spark streaming的checkpoint是存储偏移量的最简单方法
  • 流式checkpoint专门保存用户应用程序的状态
  • 但是checkpoint的目录是不能共享的，无法跨越应用程序进行恢复
  • 一般不使用checkpoint管理offset
• 使用zookeeper管理offset
  • 如果Zookeeper中未保存offset,根据kafkaParam的配置使用最新或者最旧的offset
  • 如果 zookeeper中有保存offset,我们会利用这个offset作为kafkaStream 的起始位置
• 使用hbase保存offset
  • Rowkey的设计：topic名称 + groupid + streaming的batchtime.milliSeconds
• 使用hdfs管理offset：当然这种情况不推荐使用，因为在hdfs中会生成大量的小文件，导致，hdfs的性能急剧下降

  （3）Driver的HA

    介绍：他能够在driver失败的时候，通过读取checkpoint目录下的元数据，恢复当前streamingContext对象的状态；它能够察觉到driver进程异常退出之后，自动重启。
    具体流程：当第一次运行程序时，发现checkpoint中没有数据，则根据定义的函数来第一次创建StreamingContext对象，当程序异常退出的时候，此时会根据checkpoint中的元数据恢复一个StreamingContext对象，达到异常退出之前的状态，而实现异常退出并自动启动则是sparkStreaming应用程序对driver进行监控，并且在他失败的时候感知，并进行重启。
    必要条件：
    - spark-submit提交作业的时候，必须是集群模式（cluster），并且必须在spark-standalong下。

  spark-submit \
  --class com.aura.mazh.spark.streaming.kafka.SparkStreamDemo_Direct \
  //这里只能使用spark的standalong模式，所以配置为spark集群
  --master spark://hadoop02:7077,hadoop04:7077 \
  --driver-memory 512m \
  --total-executor-cores 3 \
  --executor-memory 512m \
  #这句代码一定要加，他可以使异常退出的driver程序，重新启动
  --supervise \   
  --name SparkStreamDemo_Direct \
  --jars /home/hadoop/lib/kafka_2.11-0.8.2.1.jar,\
  /home/hadoop/lib/metrics-core-2.2.0.jar,\
  /home/hadoop/lib/spark-streaming_2.11-2.3.2.jar,\
  /home/hadoop/lib/spark-streaming-kafka-0-8_2.11-2.3.2.jar,\
  /home/hadoop/lib/zkclient-0.3.jar \
  /home/hadoop/original-spark-1.0-SNAPSHOT.jar \
  spark://hadoop02:7077,hadoop04:7077

    - 需要添加--supervise \，才能实现失败自启动
    - 需要配置checkpoint目录，并且是存储在hdfs上，jar也要放置在hdfs上