流式应用场景

场景描述

本场景应用于数据流式处理,使用到BLS(百度Log Service)、BMS(百度消息服务)以及BMR(百度MapReduce)三个产品。

整个流程分为数据采集和数据计算两部分。

数据采集

数据采集过程通过BLS以及百度消息服务BMS实现。

第一步 创建消息服务BMS Topic

参考文档:创建BMS主题

目前百度消息服务BMS支持“华北-北京”、“华南-广州”以及“香港2区”三个地区,创建主题前可以根据具体需求选择不同的区域。

第二步 安装BLS收集器

参考文档:安装收集器

  1. 选择“收集器安装”,选择相应的操作系统后,点击“复制”;

  2. 登录需要传输日志的主机,在root权限下执行所“复制”的安装命令。

第三步 创建BLS传输任务

具体步骤为:

  1. 在传输任务列表页面,点击“创建传输任务”,进入创建传输任务页面;
  2. 在“任务信息”区,输入任务名称;
  3. 在“源端设置”区,根据源数据类型,选择不通的源端类型以及进行相应的配置;
  4. 在“目的端设置”区,选择“Kafka”作为日志投递目的;
  5. 在“主机列表”区,点击“添加主机”,选择安装好“收集器”的主机;
  6. 在“主机列表”区,选择需部署该传输任务的主机,点击“创建”;

详细操作步骤请参考文档:创建传输任务

目前百度消息服务支持“华北-北京”、“华南-广州”两个地区,创建topic前可以根据具体需求选择不同的区域。

数据计算(Python)

数据计算过程通过BMR的Spark Streaming连接百度消息服务。本文以使用PySpark为例,Spark版本1.6,线上Kafka版本0.10。具体步骤如下:

第一步 创建BMR Spark集群

参考文档:创建集群

注意:在“集群配置”区,选择“Spark”内置模板,并将Spark选上。

第二步 下载Spark Kafka Streaming依赖

# eip可以在BMR Console集群详情页的实例列表获取
ssh root@eip

# 切换到hdfs用户
su hdfs
cd

# 下载依赖
wget http://bmr-public-bj.bj.bcebos.com/sample/spark-streaming-kafka-0-10-assembly_2.10-1.6.0.jar

备注

获取集群登录公网IP

image.png

第三步 编写Spark Streaming程序

以Kafka_wordcount为例,使用前请删除文中注释:

from __future__ import print_function

import sys
import ConfigParser

from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka010 import KafkaUtils
from pyspark.streaming.kafka010 import PreferConsistent
from pyspark.streaming.kafka010 import Subscribe

# 读取配置文件
def read_config(file_name):
    cf = ConfigParser.ConfigParser()
    # read config file
    cf.read(file_name)
    # read kafka config
    section = "kafka"
    opts = cf.options(section)
    config = {}
    for opt in opts:
        # topics should be a list
        if opt == "topics":
            config[opt] = str.split(cf.get(section, opt), ",")
        else:
            config[opt] = cf.get(section, opt)
    return config

if __name__ == "__main__":
    """
    if len(sys.argv) != 3:
        print("Usage: kafka_wordcount.py <bootstrap-server> <topic>", file=sys.stderr)
        exit(-1)
    """
    # 建立SparkContext和StreamingContext,demo处理间隔为20s
    sc = SparkContext(appName="PythonStreamingKafkaWordCount")
    ssc = StreamingContext(sc, 20)

    # 读取配置文件test.conf,获取连接百度Kafka参数
    config_file = "test.conf"
    kafkaParams = read_config(config_file)

    # 建立kafka输入流
    topics = kafkaParams["topics"]
    kvs = KafkaUtils.createDirectStream(ssc, PreferConsistent(), Subscribe(topics, kafkaParams))
    lines = kvs.map(lambda x: x[1])
    counts = lines.flatMap(lambda line: line.split(" ")) \
        .map(lambda word: (word, 1)) \
        .reduceByKey(lambda a, b: a+b)
    counts.pprint()

    # 启动StreamingContext
    ssc.start()
    ssc.awaitTermination()

第四步 下载百度消息服务的证书

下载证书:

image.png

第五步 创建连接Kafka配置文件

以“test.conf"为例:

vi test.conf

# 写入如下内容
[kafka]
bootstrap.servers = kafka.bj.baidubce.com:9091
topics = test_for_demo
group.id = test
# 以下为SSL配置,根据client.properties中的内容进行更换
security.protocol = SSL
ssl.truststore.password = test_truststore_password
ssl.truststore.location = client.truststore.jks
ssl.keystore.location = client.keystore.jks
ssl.keystore.password = test_keystore_password

参数说明:

bootstrap.servers: kafka服务地址
topics: 需要消费的topic,如需消费多个topic,以逗号分割,如topic1,topic2,topic3
group.id: consumer group的id,请不要随意设置,以免与其他用户冲突(kafka服务未来将支持groupId隔离)

更多配置见:http://kafka.apache.org/0100/documentation.html#newconsumerconfigs

第六步 提交Streaming作业

按照如上四步,当前目录(hdfs home目录)有五个文件:test.conf、client.truststore.jks、client.keystore.jks、kafka_wordcount.py、spark-streaming-kafka-0-10-assembly_2.10-1.6.0.jar:

使用spark-submit提交streaming作业:

/usr/bin/spark-submit --master yarn --deploy-mode cluster  --files test.conf,client.keystore.jks,client.truststore.jks --jars spark-streaming-kafka-0-10-assembly_2.10-1.6.0.jar kafka_wordcount.py

第七步 查看作业输出

在“集群详情页”点开“Hadoop Yarn Web UI”,即可打开yarn console:

image.png

在yarn console可以查看对应application的日志,用以查看程序的输出,以kafka_wordcount为例,输出在stdout中:

注意事项

  1. 如果需要停掉某个作业,可以使用“yarn application -kill applicationId”命令,例如:

    yarn application -kill application_1488868742896_0002
    
  2. 同时跑多个作业,请注意修改test.conf中的group.id配置

数据计算(Scala)

数据计算过程通过BMR的Spark Streaming连接百度消息服务BMS。本文以使用Scala为例,Spark版本2.1,线上Kafka版本0.10。具体步骤如下:

第一步 创建BMR Spark集群

参考文档:创建集群

注意:在“集群配置”区,选择“Spark2”内置模板,并将Spark选上。

image.png

第二步 下载Spark Kafka Streaming依赖

# eip可以在BMR Console集群详情页的实例列表获取
ssh root@eip

# 切换到hdfs用户
su hdfs
cd

# 下载依赖
wget https://bmr-public-bj.bj.bcebos.com/sample/original-kafke-read-streaming-1.0-SNAPSHOT.jar

第三步 下载百度消息服务的证书

下载证书:

image.png

第四步 创建连接Kafka配置文件

以“test.conf"为例:

vi test.conf

# 写入如下内容
[kafka]
bootstrap.servers = kafka.bj.baidubce.com:9091
topics = test_for_demo
group.id = test
# 以下为SSL配置,根据client.properties中的内容进行更换
security.protocol = SSL
ssl.truststore.password = test_truststore_password
ssl.truststore.location = client.truststore.jks
ssl.keystore.location = client.keystore.jks
ssl.keystore.password = test_keystore_password

参数说明:

bootstrap.servers: kafka服务地址
topics: 需要消费的topic,如需消费多个topic,以逗号分割,如topic1,topic2,topic3
group.id: consumer group的id,请不要随意设置,以免与其他用户冲突(kafka服务未来将支持groupId隔离)

更多配置见:http://kafka.apache.org/0100/documentation.html#newconsumerconfigs

第五步 提交Streaming作业

按照如上四步,当前目录有四个文件:test.conf、client.truststore.jks、client.keystore.jks、

image.png

使用spark-submit提交streaming作业:

spark-submit --class com.baidu.inf.spark.WordCount --master yarn --deploy-mode cluster  --files test.conf,client.keystore.jks,client.truststore.jks ./original-kafke-read-streaming-1.0-SNAPSHOT.jar "$topics" "$bootstrap.servers" "$group.id"  "$ssl.truststore.password" "$ssl.keystore.password"

(注意:这里请替换掉命令中最后面5个参数值为实际的值,即文件test.conf中描述的字段。)

例子:

image.png

spark-submit --class com.baidu.inf.spark.WordCount --master yarn --deploy-mode cluster --files test.conf,client.keystore.jks,client.truststore.jks ./original-kafke-read-streaming-1.0-SNAPSHOT.jar "868313b92dbe474b80ee4ef0904df26d__test" "kafka.bj.baidubce.com:9091" "test" "kafka" "k7ynher0"

附上WordCount 示例代码:

package com.baidu.inf.spark

import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.KafkaUtils
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.{Seconds, StreamingContext}

object WordCount {
  def className = this.getClass.getName.stripSuffix("$")

  def main(args: Array[String]): Unit = {
if (args.length < 4) {
  System.err.println(
    s"Usage:Input Params: "
      + " <topic> "
      + " <bootstrap.servers> "
      + " <group.id> "
      + " <ssl.truststore.password>"
      + " <ssl.keystore.password>"
  )
  sys.exit(1)
}
val Array(topic, bootstrap, group, 
truststore, keystore, _*) = args

val conf = new SparkConf().setAppName(className).setIfMissing("spark.master", "local[2]")
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

val ssc = new StreamingContext(conf, Seconds(5))

val kafkaParams = Map[String, Object](
  "bootstrap.servers" -> bootstrap,
  "key.deserializer" -> classOf[StringDeserializer].getName,
  "value.deserializer" -> classOf[StringDeserializer].getName,
  "group.id" -> group,
  "auto.offset.reset" -> "latest",
  "serializer.class" -> "kafka.serializer.StringEncoder",
  "ssl.truststore.location" -> "client.truststore.jks",
  "ssl.keystore.location" -> "client.keystore.jks",
  "security.protocol" -> "SSL",
  "ssl.truststore.password" -> truststore,
  "ssl.keystore.password" -> keystore,
  "enable.auto.commit" -> (true: java.lang.Boolean)
)
ssc.sparkContext.setLogLevel("WARN")

val topics = Array(topic)
// 消费kafka数据
val stream = KafkaUtils.createDirectStream[String, String](
  ssc,
  PreferConsistent,~~~~
  Subscribe[String, String](topics, kafkaParams)
).map(record => record.value())

val counts = stream.flatMap(_.split(" "))
  .map(word => (word, 1))
  .reduceByKey(_ + _)

  counts.print()

  ssc.start()
  ssc.awaitTermination()
  ssc.stop(true, true)
  }
 }~~~~~~~~~~~~~~~~~~~~

第六步 查看作业输出

在“集群详情页”点开“Hadoop Yarn Web UI”,即可打开yarn console:

image.png

在yarn console可以查看对应application的日志,用以查看程序的输出,以kafka_wordcount为例,输出在stdout中:

image.png

image.png

image.png

image.png

注意事项

  1. 如果需要停掉某个作业,可以使用“yarn application -kill applicationId”命令,例如:

    yarn application -kill application_1488868742896_0002
    
  2. 同时跑多个作业,请注意修改test.conf中的group.id配置