Java技术栈 —— Spark入门（二）
- 一、kafka
- 1.1 创建topic
- 1.2 准备input与查看output
- 二、spark
- 2.1 spark下的程序文件
- 2.2 用spark-submit提交作业
参考文章：
| 参考文章或视频链接 |
|---|
| [1] 《Kafka + Spark Stream实时WordCount》 |
实验环境：
假设你的用户为root，以下软件安装路径为/opt
| 软件版本 |
|---|
| spark: 3.5.2 (scala 2.12) |
| kafka: 3.8.0 (scala 2.13) |
实验结构图
一、kafka
1.1 创建topic
# 创建input
bin/kafka-topics.sh --bootstrap-server localhost:9092 --create --topic test.wordcount.input --partitions 1 --replication-factor 1
# 创建output
bin/kafka-topics.sh --bootstrap-server localhost:9092 --create --topic test.wordcount.output --partitions 1 --replication-factor 1
1.2 准备input与查看output
# 打开两个terminal终端
# 准备键盘输入作为prodcuer
bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test.wordcount.input
# 在屏幕上查看输出
bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic test.wordcount.output
二、spark
2.1 spark下的程序文件
# coding=utf-8
# /opt/spark-3.5.2-bin-hadoop3/jobs/pyjobs/kafka-wordcount.py
from __future__ import print_function
from pyspark.sql import SparkSession
from pyspark.sql.functions import explode
from pyspark.sql.functions import split
from pyspark.sql import functions as FbootstrapServers = "localhost:9092"spark = SparkSession\.builder\.appName("StructuredKafkaWordCount")\.getOrCreate()# 基于来自kafka的数据流，创建dataframe
lines = spark\.readStream\.format("kafka")\.option("kafka.bootstrap.servers", bootstrapServers)\.option("subscribe", "test.wordcount.input")\.option("failOnDataLoss", False)\.option("group.id", "wordcount-group3")\.load()\.selectExpr("CAST(value AS STRING)")# 将单行数据拆分，转成多行数据
words = lines.select(explode(split(lines.value, ' ')).alias('word')
)# 对单词进行分组，并计算总数
wordCounts = words.groupBy('word').count()# 将两列数据合并成单列数据
wordCounts = wordCounts.select(F.concat(F.col("word"), F.lit("|"), F.col("count").cast("string")).alias("value"))# 测试时，可以不将结果写入kafka，直接输出到控制台
# query = wordCounts \
# .writeStream \
# .outputMode("complete") \
# .format("console") \
# .start()# 将结果输出到 test.wordcount.output
query = wordCounts \.writeStream \.format('kafka') \.outputMode('update') \.option("kafka.bootstrap.servers", bootstrapServers) \.option('checkpointLocation', '/spark/job-checkpoint') \.option("topic", "test.wordcount.output") \.start()query.awaitTermination()
2.2 用spark-submit提交作业
# 提交Spark作业，这个过程需要保证网络畅通，会将一些依赖下载到/root/.ivy2/jars目录下
$SPARK_HOME/bin/spark-submit \
--packages org.apache.spark:spark-sql-kafka-0-10_2.12:3.5.2,\
org.apache.kafka:kafka-clients:3.5.2 \
/opt/spark-3.5.2-bin-hadoop3/jobs/pyjobs/kafka-wordcount.py
