前言

老刘是一名即将找工作的研二学生，写博客一方面是复习总结大数据开发的知识点，一方面是希望帮助更多自学的小伙伴。由于老刘是自学大数据开发，肯定会存在一些不足，还希望大家能够批评指正，让我们一起进步！

今天讲述的是SparkStreaming与Kafka的整合，这篇文章非常适合刚入门的小伙伴，也欢迎大家前来发表意见，老刘这次会用图片的形式讲述别人技术博客没有的一些细节，这些细节对刚入门的小伙伴是非常有用的！！！

正文

为什么有SparkStreaming与Kafka的整合？

首先我们要知道为什么会有SparkStreaming与Kafka的整合，任何事情的出现都不是无缘无故的！

我们要知道Spark作为实时计算框架，它仅仅涉及到计算，并没有涉及到数据的存储，所以我们后期需要使用spark对接外部的数据源。SparkStreaming作为Spark的一个子模块，它有4个类型的数据源：

1.socket数据源（测试的时候使用）

2.HDFS数据源（会用到，但是用得不多）

3.自定义数据源（不重要，没怎么见过别人会自定义数据源）

4.扩展的数据源（比如kafka数据源，它非常重要，面试中也会问到）

下面老刘图解SparkStreaming与Kafka的整合，但只讲原理，代码就不贴了，网上太多了，老刘写一些自己理解的东西！

SparkStreaming整合Kafka-0.8

SparkStreaming与Kafka的整合要看Kafka的版本，首先要讲的是SparkStreaming整合Kafka-0.8。

在SparkStreaming整合kafka-0.8中，要想保证数据不丢失，最简单的就是靠checkpoint的机制，但是checkpoint机制有一个毛病，对代码进行升级后，checkpoint机制就失效了。所以如果想实现数据不丢失，那么就需要自己管理offset。

大家对代码升级会不会感到陌生，老刘对它好好解释一下！

我们在日常开发中常常会遇到两个情况，代码一开始有问题，改一下，然后重新打包，重新提交；业务逻辑发生改变，我们也需要重新修改代码！

而我们checkpoint第一次持久化的时候会整个相关的jar给序列化成一个二进制文件，这是一个独一无二的值做目录，如果SparkStreaming想通过checkpoint恢复数据，但如果代码发生改变，哪怕一点点，就找不到之前打包的目录，就会导致数据丢失！

所以我们需要自己管理偏移量！

用ZooKeeper集群管理偏移量，程序启动后，就会读取上一次的偏移量，读取到数据后，SparkStreaming就会根据偏移量从kafka中读取数据，读到数据后，程序会运行。运行完后，就会提交偏移量到ZooKeeper集群，但有一个小问题，程序运行挂了，但偏移量未提交，结果已经部分到HBase，再次重新读取的时候，会有数据重复，但只影响一批次，对大数据来说，影响太小！

但是有个非常严重的问题，当有特别多消费者消费数据的时候，需要读取偏移量，但ZooKeeper作为分布式协调框架，它不适合大量的读写操作，尤其是写操作。所以高并发的请求ZooKeeper是不适合的，它只能作为轻量级的元数据存储，不能负责高并发读写作为数据存储。

根据上述内容，就引出了SparkStreaming整合Kafka-1.0。

SparkStreaming整合Kafka-1.0

直接利用kafka保存offset偏移量，可以避免利用ZooKeeper存储offset偏移量带来的风险，这里也有一个注意的地方，kafka有一个自动提交偏移量的功能，但会导致数据丢失。

因为设置自动提交就会按照一定的频率，比如每隔2秒自动提交一次偏移量。但我截获一个数据后，还没来得及处理，刚好到达2秒就把偏移量提交了，于是就导致数据丢失，所以我们一般手动提交偏移量！

如何设计告警方案？

在日常开发工作中，我们需要对实时任务设计一个监控方案，因为实时任务没有监控，程序就在裸奔，任务是否有延迟等情况无法获取，这是非常可怕的情况！

这个只是利用KafkaOffsetmonitor设计的一个方案，利用它对任务进行监控，接着利用爬虫技术获取监控的信息，再把数据导入到openfalcon里面，在openfalcon里根据策略配置告警或者自己研发告警系统，最后把信息利用企业微信或者短信发送给开发人员！

总结

好啦！本篇主要讲解了SparkStreaming和Kafka的整合过程，老刘花了很多心思讲了很多细节，对大数据感兴趣的伙伴记得给老刘点赞关注。最后，如果有疑问联系公众号：努力的老刘，进行愉快的交流！