大数据技术与架构点击右侧关注，大数据开发领域最强公众号！

暴走大数据点击右侧关注，暴走大数据！

Apache Kafka 是一个可扩展，高性能，低延迟的平台，允许我们像消息系统一样读取和写入数据。我们可以很容易地在 Java 中使用 Kafka。

Spark Streaming 是 Apache Spark 的一部分，是一个可扩展、高吞吐、容错的实时流处理引擎。虽然是使用 Scala 开发的，但是支持 Java API。

Apache Cassandra 是分布式的 NoSQL 数据库。在这篇文章中，我们将介绍如何通过这三个组件构建一个高扩展、容错的实时数据处理平台。

准备

在进行下面文章介绍之前，我们需要先创建好 Kafka 的主题以及 Cassandra 的相关表，具体如下：

在 Kafka 中创建名为 messages 的主题

$KAFKA_HOME$\bin\windows\kafka-topics.bat --create \--zookeeper localhost:2181 \--replication-factor 1 --partitions 1 \--topic messages

在 Cassandra 中创建 KeySpace 和 table

CREATE KEYSPACE vocabularyWITH REPLICATION = {'class' : 'SimpleStrategy','replication_factor' : 1    };USE vocabulary;CREATE TABLE words (word text PRIMARY KEY, count int);

上面我们创建了名为 vocabulary 的 KeySpace，以及名为 words 的表。

添加依赖

我们使用 Maven 进行依赖管理，这个项目使用到的依赖如下：

org.apache.sparkspark-core_2.112.3.0provided

org.apache.sparkspark-sql_2.112.3.0provided

org.apache.sparkspark-streaming_2.112.3.0provided

org.apache.sparkspark-streaming-kafka-0-10_2.112.3.0

com.datastax.sparkspark-cassandra-connector_2.112.3.0

com.datastax.sparkspark-cassandra-connector-java_2.111.5.2

数据管道开发

我们将使用 Spark 在 Java 中创建一个简单的应用程序，它将与我们之前创建的Kafka主题集成。应用程序将读取已发布的消息并计算每条消息中的单词频率。然后将结果更新到 Cassandra 表中。整个数据架构如下：

现在我们来详细介绍代码是如何实现的。

获取 JavaStreamingContext

Spark Streaming 中的切入点是 JavaStreamingContext，所以我们首先需要获取这个对象，如下：

SparkConf sparkConf = new SparkConf();sparkConf.setAppName("WordCountingApp");sparkConf.set("spark.cassandra.connection.host", "127.0.0.1");

JavaStreamingContext streamingContext = new JavaStreamingContext(  sparkConf, Durations.seconds(1));

从 Kafka 中读取数据

有了 JavaStreamingContext 之后，我们就可以从 Kafka 对应主题中读取实时流数据，如下：

Map<String, Object> kafkaParams = new HashMap<>();kafkaParams.put("bootstrap.servers", "localhost:9092");kafkaParams.put("key.deserializer", StringDeserializer.class);kafkaParams.put("value.deserializer", StringDeserializer.class);kafkaParams.put("group.id", "use_a_separate_group_id_for_each_stream");kafkaParams.put("auto.offset.reset", "latest");kafkaParams.put("enable.auto.commit", false);Collection<String> topics = Arrays.asList("messages");

JavaInputDStreamString, String>> messages =  KafkaUtils.createDirectStream(    streamingContext,    LocationStrategies.PreferConsistent(),    ConsumerStrategies.<String, String> Subscribe(topics, kafkaParams));

我们在程序中提供了 key 和 value 的 deserializer。这个是 Kafka 内置提供的。我们也可以根据自己的需求自定义 deserializer。

处理 DStream

我们在前面只是定义了从 Kafka 中哪张表中获取数据，这里我们将介绍如何处理这些获取的数据：

JavaPairDStream<String, String> results = messages  .mapToPair(      record -> new Tuple2<>(record.key(), record.value())  );JavaDStream<String> lines = results  .map(      tuple2 -> tuple2._2()  );JavaDStream<String> words = lines  .flatMap(      x -> Arrays.asList(x.split("\\s+")).iterator()  );JavaPairDStream<String, Integer> wordCounts = words  .mapToPair(      s -> new Tuple2<>(s, 1)  ).reduceByKey(      (i1, i2) -> i1 + i2    );

将数据发送到 Cassandra 中

最后我们需要将结果发送到 Cassandra 中，代码也很简单。

wordCounts.foreachRDD(    javaRdd -> {Map<String, Integer> wordCountMap = javaRdd.collectAsMap();for (String key : wordCountMap.keySet()) {        List wordList = Arrays.asList(new Word(key, wordCountMap.get(key)));        JavaRDD rdd = streamingContext.sparkContext().parallelize(wordList);        javaFunctions(rdd).writerBuilder("vocabulary", "words", mapToRow(Word.class)).saveToCassandra();      }    }  );

启动应用程序

最后，我们需要将这个 Spark Streaming 程序启动起来，如下：

streamingContext.start();streamingContext.awaitTermination();

使用 Checkpoints

在实时流处理应用中，将每个批次的状态保存下来通常很有用。比如在前面的例子中，我们只能计算单词的当前频率，如果我们想计算单词的累计频率怎么办呢？这时候我们就可以使用 Checkpoints。新的数据架构如下

为了启用 Checkpoints，我们需要进行一些改变，如下：

streamingContext.checkpoint("./.checkpoint");

这里我们将 checkpoint 的数据写入到名为 .checkpoint 的本地目录中。但是在现实项目中，最好使用 HDFS 目录。

现在我们可以通过下面的代码计算单词的累计频率：

JavaMapWithStateDStream> cumulativeWordCounts = wordCounts  .mapWithState(    StateSpec.function((word, one, state) -> {          int sum = one.orElse(0) + (state.exists() ? state.get() : 0);          Tuple2 output = new Tuple2<>(word, sum);          state.update(sum);return output;        }      )    );

部署应用程序

最后，我们可以使用 spark-submit 来部署我们的应用程序，具体如下：

$SPARK_HOME$\bin\spark-submit \  --class com.baeldung.data.pipeline.WordCountingAppWithCheckpoint \  --master local[2]  \target\spark-streaming-app-0.0.1-SNAPSHOT-jar-with-dependencies.jar

最后，我们可以在 Cassandra 中查看到对应的表中有数据生成了。完整的代码可以参见 https://github.com/eugenp/tutorials/tree/master/apache-spark

欢迎点赞+收藏+转发朋友圈素质三连

文章不错？点个【在看】吧！ ?