如何使用Spark通过ENI网络访问消息队列Kafka版_云原生数据仓库AnalyticDB(AnalyticDB)-阿里云帮助中心

本文介绍如何使用云原生数据仓库 AnalyticDB MySQL 版Spark通过ENI网络访问消息队列Kafka版。

前提条件

AnalyticDB for MySQL集群的产品系列为企业版或湖仓版。
已在AnalyticDB for MySQL集群中创建Job型资源组。具体操作，请参见新建资源组。
已创建AnalyticDB for MySQL集群的数据库账号。
- 如果是通过阿里云账号访问，只需创建高权限账号。具体操作，请参见创建高权限账号。
- 如果是通过RAM用户访问，需要创建高权限账号和普通账号并且将RAM用户绑定到普通账号上。具体操作，请参见创建数据库账号和绑定或解绑RAM用户与数据库账号。
Kafka实例与AnalyticDB for MySQL集群位于同一地域。具体操作，请参见公网和VPC接入。
已在Kafka实例中创建Topic和Group。具体操作，请参见创建资源。
已开通OSS服务，并创建与AnalyticDB for MySQL集群位于相同地域的存储空间。具体操作，请参见开通OSS服务和创建存储空间。

准备工作

在云消息队列 Kafka 版控制台的实例详情页面，获取Kafka实例的交换机ID。
在ECS管理控制台的安全组页面，搜索Kafka实例ID来获取安全组ID。
在云消息队列 Kafka 版控制台的白名单管理页面，查看Kafka实例的白名单是否为交换机ID的网段。

操作步骤

分别下载与Kafka和AnalyticDB for MySQL Spark实例版本对应的JAR包。下载链接，请参见Kafka-clients和Spark-sql-kafka-0-10。

在pom.xml文件的dependencies中添加依赖项。

<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-sql-kafka-0-10 -->
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql-kafka-0-10_2.12</artifactId>
    <version>3.2.2</version>
    <scope>test</scope>
</dependency>

<!-- https://mvnrepository.com/artifact/org.apache.kafka/kafka-clients -->
<dependency>
    <groupId>org.apache.kafka</groupId>
    <artifactId>kafka-clients</artifactId>
    <version>2.8.1</version>
</dependency>

编写Spark Streaming示例程序来读取Kafka中的消息，并进行编译打包。本文生成的JAR包名称为spark-example.jar。

package com.aliyun.spark.streaming

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession

object SparkKafka {
  def main(args: Array[String]): Unit = {
    if(args.length < 3){
      System.err.println(
        """
          |args0: groupId
          |args1: topicName
          |args2: bootstrapServers
          |""".stripMargin)
      System.exit(1)
    }
    val groupId = args(0)
    val topicName = args(1)
    val bootstrapServers = args(2)


    val sparkConf: SparkConf = new SparkConf()
      .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      .setAppName("SparkKafkaSub")
    sparkConf.registerKryoClasses(Array(classOf[ConsumerRecord[_,_]]))

    val sparkSession = SparkSession
      .builder()
      .config(sparkConf)
      .getOrCreate()

    val df = sparkSession
      .readStream
      .format("kafka")
     //Kafka实例的域名接入点。
      .option("kafka.bootstrap.servers", alikafka-pre-cn-x0r34a20****-1-vpc.alikafka.aliyuncs.com:9092,alikafka-pre-cn-x0r34a20****-2-vpc.alikafka.aliyuncs.com:9092,alikafka-pre-cn-x0r34a20****-3-vpc.alikafka.aliyuncs.com:9092)
     //Kafka实例的Topic名称。
      .option("subscribe", kafka_test)
     //Kafka实例的Group ID。
      .option("group.id", kafka_groupId)
      .load()

    val query = df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
      .writeStream
      .outputMode("append")
      .format("console")
      .start()
    query.awaitTermination()

  }
}

将下载的JAR包和Spark Streaming示例程序上传至OSS。具体操作，请参见上传文件。
进入Spark开发编辑器。
1. 登录云原生数据仓库AnalyticDB MySQL控制台，在左上角选择集群所在地域。在左侧导航栏，单击集群列表，在企业版或湖仓版页签下，单击目标集群ID。
2. 在左侧导航栏，单击作业开发 > Spark Jar 开发。
在编辑器窗口上方，选择Job型资源组和Spark作业类型。本文以Batch类型为例。

在编辑器中执行以下作业内容。

{
    "args": [
      "kafka_groupId",
      "kafka_test",
      "alikafka-pre-cn-x0r34a20****-1-vpc.alikafka.aliyuncs.com:9092,alikafka-pre-cn-x0r34a20****-2-vpc.alikafka.aliyuncs.com:9092,alikafka-pre-cn-x0r34a20****-3-vpc.alikafka.aliyuncs.com:9092"
    ],
    "file": "oss://<bucket_name>/spark-example.jar",
    "jars": "oss://<bucket_name>/kafka-clients-2.8.1.jar,oss://<bucket_name>/spark-sql-kafka-0-10_2.12-3.2.0.jar",
    "name": "Kafka Example",
    "className": "com.aliyun.spark.streaming.SparkKafka",
    "conf": {
        "spark.driver.resourceSpec": "small",
        "spark.executor.instances": 1,
        "spark.executor.resourceSpec": "small",
        "spark.adb.eni.enabled": "true",
        "spark.adb.eni.vswitchId": "vsw-bp17jqw3lrrobn6y****",
        "spark.adb.eni.securityGroupId": "sg-bp163uxgt4zandx****"
    }
}

参数说明如下。

参数名称	参数说明
`args`	Spark作业传入的参数，多个参数之间以英文逗号（,）分隔。
`file`	Spark作业主文件的存储位置。主文件是入口类所在的JAR包或者Python的入口执行文件。说明 Spark作业主文件目前只支持存储在OSS中。
`jars`	Spark作业依赖的JAR包，多个JAR包之间以英文逗号（,）分隔。
`name`	Spark作业名称。
`className`	Java或者Scala程序入口类。Python不需要指定入口类。
`spark.adb.eni.enabled`	是否开启ENI访问。使用企业版或湖仓版Spark访问kafka数据源时，需要开启ENI访问。
`spark.adb.eni.vswitchId`	准备工作中获取的交换机ID。
`spark.adb.eni.securityGroupId`	准备工作中获取的安全组ID。
`conf`其他参数	与开源Spark中的配置项基本一致，参数格式为`key:value`形式，多个参数之间以英文逗号（,）分隔。与开源Spark用法不一致的配置参数及AnalyticDB for MySQL特有的配置参数，请参见Spark应用配置参数说明。

单击立即执行。