解析SparkStreaming和Kafka集成的兩種方式

spark streaming是基于微批處理的流式計算引擎，通常是利用spark core或者spark core與spark sql一起來處理數據。在企業實時處理架構中，通常將spark streaming和kafka集成作為整個大數據處理架構的核心環節之一。

針對不同的spark、kafka版本，集成處理數據的方式分為兩種：Receiver based Approach和Direct Approach，不同集成版本處理方式的支持，可參考下圖：

Receiver based Approach

基于receiver的方式是使用kafka消費者高階API實現的。

對于所有的receiver，它通過kafka接收的數據會被存儲于spark的executors上，底層是寫入BlockManager中，默認200ms生成一個block（通過配置參數spark.streaming.blockInterval決定）。然后由spark streaming提交的job構建BlockRdd，最終以spark core任務的形式運行。

關于receiver方式，有以下幾點需要注意：

1. receiver作為一個常駐線程調度到executor上運行，占用一個cpu
2. receiver個數由KafkaUtils.createStream調用次數決定，一次一個receiver
3. kafka中的topic分區并不能關聯產生在spark streaming中的rdd分區
4. 增加在KafkaUtils.createStream()中的指定的topic分區數，僅僅增加了單個receiver消費的topic的線程數，它不會增加處理數據中的并行的spark的數量
5. 【topicMap[topic,num_threads]map的value對應的數值是每個topic對應的消費線程數】
6. receiver默認200ms生成一個block，建議根據數據量大小調整block生成周期
7. receiver接收的數據會放入到BlockManager，每個executor都會有一個BlockManager實例，由于數據本地性，那些存在receiver的executor會被調度執行更多的task，就會導致某些executor比較空閑
8. 建議通過參數spark.locality.wait調整數據本地性。該參數設置的不合理，比如設置為10而任務2s就處理結束，就會導致越來越多的任務調度到數據存在的executor上執行，導致任務執行緩慢甚至失敗（要和數據傾斜區分開）
9. 多個kafka輸入的DStreams可以使用不同的groups、topics創建，使用多個receivers接收處理數據
10. 兩種receiver
11. 可靠的receiver：可靠的receiver在接收到數據并通過復制機制存儲在spark中時準確的向可靠的數據源發送ack確認
12. 不可靠的receiver：不可靠的receiver不會向數據源發送數據已接收確認。這適用于用于不支持ack的數據源
13. 當然，我們也可以自定義receiver。
14. receiver處理數據可靠性默認情況下，receiver是可能丟失數據的
15. 可以通過設置spark.streaming.receiver.writeAheadLog.enable為true開啟預寫日志機制，將數據先寫入一個可靠地分布式文件系統如hdfs，確保數據不丟失，但會失去一定性能
16. 限制消費者消費的最大速率
17. 涉及三個參數：
18. spark.streaming.backpressure.enabled：默認是false，設置為true，就開啟了背壓機制
19. spark.streaming.backpressure.initialRate：默認沒設置初始消費速率，第一次啟動時每個receiver接收數據的最大值
20. spark.streaming.receiver.maxRate：默認值沒設置，每個receiver接收數據的最大速率（每秒記錄數）。每個流每秒最多將消費此數量的記錄，將此配置設置為0或負數將不會對最大速率進行限制
21. 在產生job時，會將當前job有效范圍內的所有block組成一個BlockRDD，一個block對應一個分區
22. kafka082版本消費者高階API中，有分組的概念，建議使消費者組內的線程數（消費者個數）和kafka分區數保持一致。如果多于分區數，會有部分消費者處于空閑狀態

Direct Approach

direct approach是spark streaming不使用receiver集成kafka的方式，一般在企業生產環境中使用較多。相較于receiver，有以下特點：

1. 不使用receiver
2. 不需要創建多個kafka streams并聚合它們
3. 減少不必要的CPU占用
4. 減少了receiver接收數據寫入BlockManager，然后運行時再通過blockId、網絡傳輸、磁盤讀取等來獲取數據的整個過程，提升了效率
5. 無需wal，進一步減少磁盤IO操作
6. direct方式生的rdd是KafkaRDD，它的分區數與kafka分區數保持一致一樣多的rdd分區來消費，更方便我們對并行度進行控制
7. 注意：在shuffle或者repartition操作后生成的rdd，這種對應關系會失效
8. 可以手動維護offset，實現exactly once語義
9. 數據本地性問題。在KafkaRDD在compute函數中，使用SimpleConsumer根據指定的topic、分區、offset去讀取kafka數據。
10. 但在010版本后，又存在假如kafka和spark處于同一集群存在數據本地性的問題
11. 限制消費者消費的最大速率
12. spark.streaming.kafka.maxRatePerPartition：從每個kafka分區讀取數據的最大速率（每秒記錄數）。這是針對每個分區進行限速，需要事先知道kafka分區數，來評估系統的吞吐量