流式应用场景
概览
实现云上流式场景下数据流打通，方便用户在百度智能云上使用各个产品实现流式需求，实现流式数据处理全流程。
需求场景
事件流
事件流具能够持续产生大量的数据，这类数据最早出现与传统的银行和股票交易领域，也在互联网监控、无线通信网等领域出现、需要以近实时的方式对更新数据流进行复杂分析如趋势分析、预测、监控等。简单来说，事件流采用的是查询保持静态，语句是固定的，数据不断变化的方式。
持续计算
比如对于大型网站的流式数据：网站的访问PV/UV、用户访问了什么内容、搜索了什么内容等，实时的数据计算和分析可以动态实时地刷新用户访问数据，展示网站实时流量的变化情况，分析每天各小时的流量和用户分布情况；比如金融行业，毫秒级延迟的需求至关重要。一些需要实时处理数据的场景也可以应用Flink/Kafka，比如根据用户行为产生的日志文件进行实时分析，对用户进行商品的实时推荐等。
方案概述
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（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。
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。
安装BLS收集器
参考文档：安装收集器
- 选择“收集器安装”，选择相应的操作系统后，点击“复制”；
- 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。
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：
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。
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
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()下载百度消息服务的证书
下载证书：
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
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查看作业输出
在“集群详情页”点开“Hadoop Yarn Web UI”，即可打开yarn console：
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
-
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 - 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：
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。
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下载百度消息服务的证书
下载证书：
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
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、
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" "$ssl.keystore.password"(注意：这里请替换掉命令中最后面5个参数值为实际的值，即文件test.conf中描述的字段。)
例子：
spark-submit --class com.baidu.inf.spark.WordCount --master yarn --deploy-mode cluster --files test.conf,client.keystore.jks,client.truststore.jks ./original-kafke-read-streaming-1.0-SNAPSHOT.jar "868313b92dbe474b80ee4ef0904df26d__test" "kafka.bj.baidubce.com:9091" "test" "kafka" "k7ynher0"附上WordCount 示例代码：
package com.baidu.inf.spark
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.KafkaUtils
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.{Seconds, StreamingContext}
object WordCount {
def className = this.getClass.getName.stripSuffix("$")
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)
}
}查看作业输出
在“集群详情页”点开“Hadoop Yarn Web UI”，即可打开yarn console：
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
-
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 - 同时跑多个作业，请注意修改test.conf中的group.id配置