大数据实时流处理零数据丢失

大数据实时流处理零数据丢失

1.整体流程：

    a)kafka：作为流处理程序的生产者    b)sparkStreaming：作为消费者，设置合理batch    c)DB：输出到redis/ES

2.存在问题：

雪崩效应： kill 出现，导致的数据丢失sparkStreaming程序挂掉了，到知道的数据丢失解决：    1.使用checkpoint。维护太麻烦，流程序修改后需要删除checkpoint下的数据才可以，但是这回导致数据丢失或者重复。    2.官方建议：同时启动新旧两个流程序，然后认为关掉旧的，并记录偏移量，然后新的流程序从指定的偏移量消费。    3.自己保存偏移量到外部设备，每次启动流程序先读取外设，然后判断，offset的读取方式是earliest 还是指定偏移量    4.配置kafak限速参数，以及流程序的序列化方式。    5.关于偏移量的存储，可以存mysql，redis，H ，kafka，zk。。。    6.关于数据重复，为了达到exactly once， 需要跟实际的业务结合。例如最后的结果如果是写入到H ，可以将偏移量作为H 对应的业务表中的一个列，实现事务性，幂等。

代码：

1.pom文件：     <properties>        <scala.version>2.11.8</scala.version>        <spark.version>2.3.1</spark.version>        <kafka.version>0.10.0.0</kafka.version>    </properties>    <repositories>        <repository>            <id>scala-tools.org</id>            <name>Scala-Tools Maven2 Repository</name>            <url>http://scala-tools.org/repo-releases</url>        </repository>        <repository>            <id>scalikeJDBC</id>            <name>scalikeJDBC</name>            <url>https://mvnrepository.com/artifact/org.scalikejdbc/scalikejdbc</url>        </repository>    </repositories>    <pluginRepositories>        <pluginRepository>            <id>scala-tools.org</id>            <name>Scala-Tools Maven2 Repository</name>            <url>http://scala-tools.org/repo-releases</url>        </pluginRepository>    </pluginRepositories>    <dependencies>        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-streaming_2.11</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-sql_2.11</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-core_2.11</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>            <version>${spark.version}</version>        </dependency>        <!--sparksql -kafka-->        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-sql-kafka-0-10_2.11</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.kafka</groupId>            <artifactId>kafka_2.11</artifactId>            <version>${kafka.version}</version>        </dependency>        <dependency>            <groupId>org.apache.kafka</groupId>            <artifactId>kafka-clients</artifactId>            <version>${kafka.version}</version>        </dependency>        <!--json解析-->        <dependency>            <groupId>com.alibaba</groupId>            <artifactId>fastjson</artifactId>            <version>1.2.36</version>        </dependency>        <dependency>            <groupId>mysql</groupId>            <artifactId>mysql-connector-java</artifactId>            <version>5.1.40</version>        </dependency>        <!--redis-->        <dependency>            <groupId>redis.clients</groupId>            <artifactId>jedis</artifactId>            <version>2.9.0</version>        </dependency>        <!--config-->        <dependency>            <groupId>com.typesafe</groupId>            <artifactId>config</artifactId>            <version>1.3.1</version>        </dependency>        <!--RDBMS访问-->        <dependency>            <groupId>org.scalikejdbc</groupId>            <artifactId>scalikejdbc_2.11</artifactId>            <version>2.5.0</version>        </dependency>        <dependency>            <groupId>org.scalikejdbc</groupId>            <artifactId>scalikejdbc-core_2.11</artifactId>            <version>2.5.0</version>        </dependency>        <dependency>            <groupId>org.scalikejdbc</groupId>            <artifactId>scalikejdbc-config_2.11</artifactId>            <version>2.5.0</version>        </dependency>        <dependency>            <groupId>org.scala-lang</groupId>            <artifactId>scala-library</artifactId>            <version>${scala.version}</version>        </dependency>

2.kafka topic的创建：

    a) bin/kafka-topics.sh --create --zookeeper pj-01:2181 --replication-factor 1 --partitions 1 --topic saprkProcess    b) 修改kafka的分区数目：提高spark的并行度，提升消息的处理吞吐量。    bin/kafka-topics.sh --alter --zookeeper pj-01:2181 --topic saprkProcess --partitions 3    c) note：在0.8版本,修改完kafka 对应的topic的partition的后，流程序是侦测不到，导致数据丢失。其实，在kafka的logs下面数据已经有了，所以需要在代码中判断是否有新的分区，并获取到新的分区，然后将其偏移量初始化为0.        但是在0.10版本后，就不存在这个问题了。

3.模拟kafka生产者：

    package Producer;    import org.apache.kafka.clients.producer.KafkaProducer;    import org.apache.kafka.clients.producer.ProducerRecord;    import java.util.Properties;    import java.util.Random;    import java.util.UUID;    public class KafkaProducerApp {        public static void main(String[] args) throws InterruptedException {            final Properties props = new Properties();            //Assign topicName to string variable            String topics = "saprkProcess";            // create instance for properties to access producer configs            //Assign localhost id            props.put("bootstrap.servers", "pj-01:9092");            //Set acknowledgements for producer requests.            props.put("acks", "all");            //If the request fails, the producer can automatically retry,            props.put("retries", 0);            //Specify buffer size in config            props.put("batch.size", 16384);            //Reduce the no of requests less than 0            props.put("linger.ms", 1);            //The buffer.memory controls the total amount of memory available to the producer for buffering.            props.put("buffer.memory", 33554432);            props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");            props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");            KafkaProducer<String, String> producer = new KafkaProducer<String, String>(props);            String value[] = {"alibaba","baidu","tencent","facebook","amazon","apple","google"," edin","twitter","ant","ICBC","Lakers","cleveland"};            int i = value.length;            final Random random = new Random();            int ret = 100;            while (ret>=0) {                Thread.sleep(10);                final ProducerRecord<String, String> msg = new ProducerRecord<String, String>(                        topics    //                    , (new Random()).nextInt(3)                        ,0                        ,System.currentTimeMillis()                        , UUID.randomUUID().toString().substring(6, 14).replace("-", "")                        , value[random.nextInt(i)]                );                producer.send(msg);                System.out.println("msg = " + "alibaba -A: "+msg);                ret --;            }        }    }

4.创建：mysql 偏移量表：

  a)这里MySQL相关操作使用的scalikeJDBC，这个是针对scala的一款db库，操作api简单明了，默认数据库配置通过读取resources下的（applicaiton.conf/application.json,applicaiton.properties)文件。  b)更新偏移量的api使用replace into：    note：如果没有设置主键，默认replace操作就是新增，不会与表中已存在的数据进行逻辑比对。        01：所以下面建表语句中：使用topic，groupid，partition作为联合主键，来确定一条记录。        02：因为我们的流程序一经启动：一般就是7*24，所以表名暂定为streaming_offset_24。这个自定义程度很高。    建表语句：  create table streaming_offset_24(topic varchar(50),groupid varchar(20), partitions int, offset bigint, primary  key(topic,groupid,partitions));

5.流程序： spark streaming 处理demo：

    package pjnet    import org.apache.kafka.common.TopicPartition    import org.apache.kafka.common.serialization.StringDeserializer    import org.apache.log4j.{Level, Logger}    import org.apache.spark.SparkConf    import org.apache.spark.rdd.RDD    import org.apache.spark.streaming.kafka010._    import org.apache.spark.streaming.{Seconds, StreamingContext}    import scalikejdbc.config.DBs    import scalikejdbc.{DB, _}      StreamingProApp {      Logger.getLogger("org.apache").setLevel(Level.WARN)  //设置日志显示      def main(args: Array[String]): Unit = {        val conf = new SparkConf().setMaster("local[*]").setAppName("StreamingProApp")          //指定每秒钟每个分区kafka拉取消息的速率          .set("spark.streaming.kafka.maxRatePerPartition", "100")          // 修改序列化为Kyro，减少shuffle量          .set("spark.serilizer", "org.apache.spark.serializer.KryoSerializer")          // 开启rdd的压缩          .set("spark.rdd.compress", "true")    //    设置批次的处理时间        val ssc = new StreamingContext(conf, Seconds(10))        //一参数设置        val groupId = "1" //也可以通过读取配置文件，使用typesafe的 ConfigFactory读取        val kafkaParams = Map[String,  ](          "bootstrap.servers" -> "pj-01:9092",          "key.deserializer" -> classOf[StringDeserializer],          "value.deserializer" -> classOf[StringDeserializer],          "group.id" -> groupId,          "auto.offset.reset" -> "earliest",          "enable.auto.commit" -> (false: java.lang.Boolean) //自己维护偏移量。连接kafka的集群。        )        val topics = Array("saprkProcess")        //二参数设置        DBs.setup()        val fromdbOffset: Map[TopicPartition, Long] =          DB.readOnly { implicit session =>            SQL(s"select * from `streaming_offset_24` where groupId = '${groupId}'")              .map(rs => (new TopicPartition(rs.string("topic"), rs.int("partitions")), rs.long("offset")))              .list().apply()          }.toMap        //程序启动，拉取kafka的消息。        val stream = if (fromdbOffset.size == 0) {          KafkaUtils.createDirectStream[String, String](            ssc,            LocationStrategies.PreferConsistent,            ConsumerStrategies.Subscribe[String, String](topics, kafkaParams)          )        } else {          KafkaUtils.createDirectStream(            ssc,            LocationStrategies.PreferConsistent,            ConsumerStrategies.Assign[String, String](fromdbOffset.keys, kafkaParams, fromdbOffset)          )        }        stream.foreachRDD({          rdd =>            val offsetRanges: Array[OffsetRange] = rdd.asInstanceOf[HasOffsetRanges].offsetRanges            //数据处理            val resout: RDD[(String, Int)] = rdd.flatMap(_.value().split(" ")).map((_, 1)).reduceByKey(_ + _)            //可以将结果保存至redis，h 等db            resout.foreach(println)    //        resout.foreachPartition({    ////          it =>    ////            val jedis = RedisUtils.getJedis    ////            it.foreach({    ////              va =>    ////                jedis.hincrBy(field，val1，val2)    ////            })    ////            jedis.close()    //    //        })            //偏移量存入mysql，使用scalikejdbc框架，下面两种方式都可以。