通过Spark Streaming作业处理Kafka数据

步骤一：创建DataLake和DataFlow集群

创建同一个安全组下的DataLake和DataFlow集群（包含Kafka服务）。创建详情请参见创建集群。

• 创建DataLake集群。

  说明

  本文以Spark 3为例。

  

• 创建DataFlow。

  说明

  务必确认已选择Kafka服务。系统会自动选择其依赖的Kafka-Manager和Zookeeper服务。

  

步骤二：获取JAR包并上传到DataLake集群

1. 获取JAR包（spark-streaming-demo-1.0.jar）。

2. 上传JAR包至DataLake集群Master节点的/home/emr-user路径下。

步骤三：在DataFlow集群上创建Topic

本示例将创建一个名称为test的Topic。

1. 登录DataFlow集群的Master节点，详情请参见登录集群。

2. 执行以下命令，创建Topic。

   kafka-topics.sh --create --bootstrap-server core-1-1:9092,core-1-2:9092,core-1-3:9092 --replication-factor 2 --partitions 2 --topic demo

   说明

   创建Topic后，请保留该登录窗口，后续步骤仍将使用。

步骤四：运行Spark Streaming作业

本示例将运行一个流式单词统计（WordCount）的作业。

1. 登录DataLake集群的Master节点，详情请参见登录集群。

2. 执行以下命令，进入emr-user目录。

   cd /home/emr-user

3. 执行以下命令，进行流式单词统计（WordCount）。

   spark-submit --class com.aliyun.emr.KafkaApp1 ./spark-streaming-demo-1.0.jar <Kafka broker的内网IP地址>:9092 demogroup1 demo

   关键参数如下表所示。

   参数	描述
   <Kafka broker的内网IP地址>:9092	DataFlow集群中Broker节点的内网IP地址和端口号，端口号默认为9092。例如，172.16.**.**:9092,172.16.**.**:9092,172.16.**.**:9092。 您可以在DataFlow集群Kafka服务的状态页签，单击KafkaBroker组件前的图标，查看所有节点的内网IP地址。
   demogroup1	指定Kafka消费组的名称。您也可以根据实际情况修改。
   demo	Topic名称。

步骤五：使用Kafka发布消息

1. 在DataFlow集群的命令行窗口，执行如下命令运行Kafka的生产者。

   kafka-console-producer.sh --topic demo --bootstrap-server core-1-1:9092,core-1-2:9092,core-1-3:9092

2. 在DataFlow集群的登录窗口中输入文本，在DataLake集群的登录窗口中，会实时显示文本的统计信息。

   例如，在DataFlow集群的登录窗口输入信息。

   

   DataLake集群的登录窗口会输出如下信息。

   

步骤六：查看Spark Streaming作业状态

1. 在EMR on ECS页面，单击DataLake集群的名称。

2. 单击访问链接与端口页签。

3. 访问SPARK UI，详情请参见访问链接与端口。

4. 在History Server页面，单击待查看的App ID。

   您可以查看Spark Streaming作业的状态。