Spark Streaming+Kakfa细节剖析
本文基于 Kafka 1.1.0 和 Spark 2.3.0 版本源代码进行分析
Kafka 消费接口
Kafka消费接口包含：低级和高级API，这个区分主要针对broker版本 <0.9.0，在0.9.0中引入了新消费者APIorg.apache.kafka.clients.consumer.KafkaConsumer将两者结合起来了。
低级API（<0.9.0）
低级API的入口类为 kafka.consumer.SimpleConsumer，已经被标记为废弃Deprecated，它的替代者是KafkaConsumer。
低级api的好处是可以更多样的控制读取数据，如：
- 同一条消息读取多次
- 只读取一个Topic中的部分Partition
- 管理读取会话，使一条消息只被读取和处理一次（Exactly Once）
使用该API的5个步骤为(引用):
- Find an active Broker and find out which Broker is the leader for your topic and partition
- Determine who the replica Brokers are for your topic and partition
- Build the request defining what data you are interested in
- Fetch the data
- Identify and recover from leader changes
高级API（<0.9.0）
更多的时候，我们只关心从kafka中不断的消费新数据，而对上面提到的细节不关心，这些细节包括：find Leader Broker、partition增加减少、consumer增加减少（引起Rebalance）、leader变化、异常处理等。
这时就可以使用高级API了，它的入口是 kafka.consumer.ZookeeperConsumerConnector
要用高级API应该使用多线程开发，每一个线程对应一个Consumer，Consumer和Partition的数量关系为：
- 如果consumer比partition多，是浪费，因为kafka的设计是在一个partition上是不允许并发的，所以consumer数不要大于partition数
- 如果consumer比partition少，一个consumer会对应于多个partitions，这里主要合理分配consumer数和partition数，否则会导致partition里面的数据被取的不均匀
- 如果consumer从多个partition读到数据，不保证数据间的顺序性，kafka只保证在一个partition上数据是有序的，但多个partition，根据你读的顺序会有不同
- 增减consumer，broker，partition会导致rebalance，所以rebalance后consumer对应的partition会发生变化
更详细内容见引用
新消费者API(>=0.9.0)
新API是消费API的重新优化，它利用到kafka内置的组协调协议(group coordination protocol)，它有以下几个优点：
- 重新设计API，结合了低级API和高级API的功能于一体
- 使用pure java开发，且不再依赖于zookeeper和scala了， 老API依赖zookeeper来管理topic的消费组信息
- 新增安全扩展 https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=51809888
详细使用示例见引用
关于Kafka offset的管理
- 提交至ZK，但频繁操作zk是效率比较低的，早期高级消费API offset存在ZK中
- 提交至Kafka集群内部，Kafka 0.9版本后使用高级消费API offset是存在kafka topic:
__consumer_offsets - 自己控制，存储在外部系统中如redis、hdfs等
Spark Streaming + Kafka
spark源码中有两个不同版本的代码：spark-streaming-kafka-0-8 和spark-streaming-kafka-0-10, 对比如下：
这里以 spark-streaming-kafka-0-8 的进行介绍
Kafka Receiver模式（2.3.0已废弃）
示意图：
Receiver使用的是高级消费者API，Receiver模式使用代码如下：
import org.apache.spark.streaming.kafka._
val kafkaStream = KafkaUtils.createStream(streamingContext,
[ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])
关键点为：
- Topic分区数和Spark RDD分区数是没有关系的，在参数中指定的Topic分区只是增加了，消费者的数量，对应到消费者处理线程数。不会影响spark处理数据的并行度
- 当有多个Topic或者Group时，可以通过创建多个DStream来增加Receiver的数量，从而增加接收数据的并行度，一个Receiver只在一个worker上运行，详细见 level-of-parallelism-in-data-receiving
- 如果启用了WAF，配置为：
spark.streaming.receiver.writeAheadLog.enable，则需要设定存储的级别如：StorageLevel.MEMORY_AND_DISK_SER，如果没有启用WAF，Receiver模式不能保证至少一次的语义。（TODO：代码细节）
Receiver模式关联的Spark Conf为spark.streaming.receiver.*.
Direct模式（推荐）
示意图：
使用新消费API中的低级接口来实现，相比Receiver有以下几个特点：
- 简化并行：不需要通过创建多个DStream并将他们Union的方式，来达到并行读取数据，Direct方式Kafka的Partition和RDD Partition是一致的。
- 更高效：Receiver模式需要开启WAL才可以不丢数据，而Direct没有Receiver，它使用Spark本身的checkout来报错offset（TODO 另外由于Receiver是个单独的Executor异步读取数据，某些情况下内存需求会很大，因此导致整个App的Execotor都需要多申请写内存）
- Exactly-once语义（TODO）
Direct模式没有更新offset到zookeeper中，将导致基于zookeeper的kafka监控工具无法显示数据消费情况，不过这可以通过手动提交offset来实现。
相关配置项为：spark.streaming.kafka.*. 其中关键配置项为spark.streaming.kafka.maxRatePerPartition用于控制最高速率。
Direct模式默认关闭kafka offset自动提交如：
private[kafka010] def fixKafkaParams(kafkaParams: ju.HashMap[String, Object]): Unit = {
logWarning(s"overriding ${ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG} to false for executor")
kafkaParams.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false: java.lang.Boolean)
logWarning(s"overriding ${ConsumerConfig.AUTO_OFFSET_RESET_CONFIG} to none for executor")
kafkaParams.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "none")
SparkSteaming+Kafka处理数据Exactly Once介绍
流式处理包含三个部分：
- Receive Data：这里主要依赖于数据源，kafka本身是基于offset的可以保证数据仅读取一次。
- Transformming Data：spark借助rdd的特性保证
- Output Operation：重点要考虑
以下介绍采用Direct模式时保证Exactly Once的三种方式：
- checkpoint+幂等输出操作: 这种方法有缺陷，当代码变更是，checkpoint的数据无法恢复
- Kafka+幂等输出操作：关闭自动提交offset，你需要在确保处理完输出后，再执行提交commitAsync
stream.foreachRDD { rdd =>
val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
// some time later, after outputs have completed
stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
}
注：这里类型强转CanCommitOffsets的前提是stream是createDirectStream的结果，没有经过其他转换
- 外部支持事务的存储：将offset和结果数据在一个事务中完成存储
其他问题：
- back pressure的实现方式？
- Spark Checkpoint？
结语
本文只记部分内容，更多内容和细节还是需要看官方文档和代码。
