从Kafka读取数据
用Spark-Streaming从Kafka读取数据
- 在大数据处理领域，Spark-Streaming和Kafka都是明星技术。今天咱们就来聊聊怎么用Spark-Streaming从Kafka读取数据并做处理，就算你是小白，也保证能看懂！
- 先讲讲从Kafka获取数据的两种方式。早期有个ReceiverAPI，它需要专门的Executor接收数据，再发给其他Executor计算。想象一下，接收数据的人速度特别快，计算的人跟不上，数据就堆在计算的节点上，最后内存都被占满，这就是 ReceiverAPI 的问题，所以现在它不太常用了。
- 后来出现了DirectAPI，它让计算的Executor自己主动去Kafka拿数据，速度自己能掌控，就像你自己去超市拿东西，想要多少、什么时候拿都自己决定，是不是方便多了？现在主流用的就是DirectAPI这种方式。
- 下面进入实操环节。假设我们要通过SparkStreaming从Kafka读取数据，简单计算后打印到控制台。
- 第一步，得在项目里导入依赖。就像搭积木，得先把要用的积木都准备好。在项目的配置文件里加上这段代码：
- <dependency>
- <groupId>org.apache.spark</groupId>
- <artifactId>spark-streaming-kafka-0-10_2.12</artifactId>
- <version>3.0.0</version>
- </dependency>
- 这就把和Kafka交互的"工具"准备好了
- 第二步，开始写代码。在代码里，先创建一个Spark配置，告诉程序要在哪里运行，叫什么名字，就像给它安排好"工作地点"和"名字牌"。然后创建一个StreamingContext，设置数据处理的时间间隔。接着定义Kafka的参数，比如Kafka集群的地址、消费者组ID，还有数据的反序列化方式，这就像是告诉程序去哪里找Kafka，属于哪个"消费小组"，以及怎么把数据"翻译"成能看懂的格式。
- 准备好这些，就能通过KafkaUtils创建DStream来读取Kafka的数据啦。读取后，提取出数据里我们需要的部分，这里是value。再用熟悉的wordCount计算逻辑，把数据按空格切开、统计词频，最后打印出来。代码都写好后，启动程序，让它开始工作。
- 接下来，还得启动Kafka集群，就像把工厂的机器都打开。再开启Kafka生产者，让它产生数据，这些数据就是我们要处理的"原材料"。一切准备就绪，运行程序，就能看到Spark-Streaming成功接收Kafka的数据并处理啦！
- 最后，如果想看看消费进度，用kafka-consumer-groups.sh这个命令就行，它能清楚地告诉你数据处理到什么程度了。