『壹』 kafka獲取數據的幾種方式
一、基於Receiver的方式
這種方式使用Receiver來獲取數據。Receiver是使用Kafka的高層次Consumer API來實現的。receiver從Kafka中獲取的數據都是存儲在Spark Executor的內存中的，然後Spark Streaming啟動的job會去處理那些數據。
然而，在默認的配置下，這種方式可能會因為底層的失敗而丟失數據。如果要啟用高可靠機制，讓數據零丟失，就必須啟用Spark Streaming的預寫日誌機制（Write Ahead Log，WAL）。該機制會同步地將接收到的Kafka數據寫入分布式文件系統（比如HDFS）上的預寫日誌中。所以，即使底層節點出現了失敗，也可以使用預寫日誌中的數據進行恢復。
如何進行Kafka數據源連接
1、在maven添加依賴
<dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka_2.10</artifactId> <version>1.4.1</version></dependency>
2、scala代碼
val kafkaStream = {val sparkStreamingConsumerGroup = "spark-streaming-consumer-group"val kafkaParams = Map("zookeeper.connect" -> "zookeeper1:2181","group.id" -> "spark-streaming-test","zookeeper.connection.timeout.ms" -> "1000")val inputTopic = "input-topic"val numPartitionsOfInputTopic = 5val streams = (1 to numPartitionsOfInputTopic) map { _ =>KafkaUtils.createStream(ssc, kafkaParams, Map(inputTopic -> 1), StorageLevel.MEMORY_ONLY_SER).map(_._2)}val unifiedStream = ssc.union(streams)val sparkProcessingParallelism = 1 // You'd probably pick a higher value than 1 in proction.unifiedStream.repartition(sparkProcessingParallelism)}
需要注意的要點
1、Kafka中的topic的partition，與Spark中的RDD的partition是沒有關系的。所以，在KafkaUtils.createStream()中，提高partition的數量，只會增加一個Receiver中，讀取partition的線程的數量。不會增加Spark處理數據的並行度。
2、可以創建多個Kafka輸入DStream，使用不同的consumer group和topic，來通過多個receiver並行接收數據。
3、如果基於容錯的文件系統，比如HDFS，啟用了預寫日誌機制，接收到的數據都會被復制一份到預寫日誌中。因此，在KafkaUtils.createStream()中，設置的持久化級別是StorageLevel.MEMORY_AND_DISK_SER。
二、基於Direct的方式
這種新的不基於Receiver的直接方式，是在Spark 1.3中引入的，從而能夠確保更加健壯的機制。替代掉使用Receiver來接收數據後，這種方式會周期性地查詢Kafka，來獲得每個topic+partition的最新的offset，從而定義每個batch的offset的范圍。當處理數據的job啟動時，就會使用Kafka的簡單consumer api來獲取Kafka指定offset范圍的數據。
這種方式有如下優點：
1、簡化並行讀取：如果要讀取多個partition，不需要創建多個輸入DStream然後對它們進行union操作。Spark會創建跟Kafka partition一樣多的RDD partition，並且會並行從Kafka中讀取數據。所以在Kafka partition和RDD partition之間，有一個一對一的映射關系。
2、高性能：如果要保證零數據丟失，在基於receiver的方式中，需要開啟WAL機制。這種方式其實效率低下，因為數據實際上被復制了兩份，Kafka自己本身就有高可靠的機制，會對數據復制一份，而這里又會復制一份到WAL中。而基於direct的方式，不依賴Receiver，不需要開啟WAL機制，只要Kafka中作了數據的復制，那麼就可以通過Kafka的副本進行恢復。
3、一次且僅一次的事務機制：
基於receiver的方式，是使用Kafka的高階API來在ZooKeeper中保存消費過的offset的。這是消費Kafka數據的傳統方式。這種方式配合著WAL機制可以保證數據零丟失的高可靠性，但是卻無法保證數據被處理一次且僅一次，可能會處理兩次。因為Spark和ZooKeeper之間可能是不同步的。
基於direct的方式，使用kafka的簡單api，Spark Streaming自己就負責追蹤消費的offset，並保存在checkpoint中。Spark自己一定是同步的，因此可以保證數據是消費一次且僅消費一次。
scala連接代碼
val topics = Set("teststreaming")val brokers = "bdc46.hexun.com:9092,bdc53.hexun.com:9092,bdc54.hexun.com:9092" val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")// Create a direct stream val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)val events = kafkaStream.flatMap(line => {Some(line.toString())})
三、總結：兩種方式在生產中都有廣泛的應用，新api的Direct應該是以後的首選方式。
『貳』 Kafaka入門（1）- Kafka簡介和安裝與啟動（mac）
Kafka是由Apache軟體基金會開發的一個開源流處理平台，由Scala和Java編寫。kafka 是一個高性能的消息隊列，也是一個分布式流處理平台。
kafka中文網
kafka官網
Procer ：Procer即生產者，消息的產生者，是消息的入口。
kafka cluster ：
Broker ：Broker是kafka實例，每個伺服器上有一個或多個kafka的實例，姑且認為每個broker對應一台伺服器。一個集群由多個broker組成，集群內的broker都有一個不重復的編號，如圖中的broker-0、broker-1等……
Topic ：消息的主題，可以理解為消息的分類，kafka的數據就保存在topic。在每個broker上都可以創建多個topic。
Partition ：Topic的分區，每個topic可以有多個分區，分區的作用是做負載，提高kafka的吞吐量。 同一個topic在不同的分區的數據是不重復的 ，partition的表現形式就是一個一個的文件夾！
Replication : 每一個分區都有多個副本 ，副本的作用是做備胎。當主分區（Leader）故障的時候會選擇一個備胎（Follower）上位，成為Leader。在kafka中默認副本的最大數量是10個，且副本的數量不能大於Broker的數量，follower和leader絕對是在不同的機器，同一機器對同一個分區也只可能存放一個副本（包括自己）。
Message ：每一條發送的消息主體。
Consumer ：消費者，即消息的消費方，是消息的出口。
Consumer Group ：將多個消費組成一個消費者組。在kafka的設計中 同一個分區的數據只能被同一消費者組中的某一個消費者消費 。Partition 的分配問題，即確定哪個 Partition 由哪個 Consumer 來消費。Kafka 有兩種分配策略，一個是 RoundRobin，一個是 Range，默認為Range。
一個消費者組內也可以訂閱多個topic
多個消費組可以訂閱同一個topic 。
Zookeeper ：kafka集群依賴zookeeper來保存集群的的元信息，來保證系統的可用性。
使用brew進行安裝，非常方便。
ZooKeeper是一個分布式的，開放源碼的 分布式應用程序協調服務 ，是Google的Chubby一個開源的實現，是Hadoop和Hbase的重要組件。它是一個為分布式應用提供一致性服務的軟體，提供的功能包括：配置維護、域名服務、分布式同步、組服務等。
kafka是基於zookeeper的，啟動kafka之前，需要先啟動zookeeper
查看啟動是否成功
啟動kafka
查看啟動是否成功
查看topic列表
新起一個終端，作為生產者，用於發送消息，每一行算一條消息，將消息發送到kafka伺服器
新起一個終端作為消費者，接收消息
服務關閉的順序是先kafka，然後zookeeper
再過半小時，你就能明白kafka的工作原理了
Kafka架構原理，也就這么回事！