Spark Streaming 除了可以从三个基本数据源（文件、TCP套接字、RDD）读取数据，还能从高级的数据源中读取。这里的高级数据源，指的是 Kafka 或 Flume。

Kafka 简介

Kafka 是 LinkedIn 开发的一种高吞吐量的分布式发布订阅消息系统。 相比更擅长批量离线处理的 Flume 和 Scribe， Kafka 的优点是可以同时满足在线实时处理和批量离线处理。

Kafka 在很多公司的大数据平台中，通常扮演数据交换枢纽角色。Hadoop 生态系统中有很多的组件，每当有一种新的产品加入到企业的大数据生态系统中时，就要为这款产品开发与 Hadoop 各个组件的数据交换工具，显得比较麻烦。 而 Kafka，是一种通用工具，起到数据交换枢纽的作用。

不同的分布式系统（如关系数据库、流处理系统、批处理系统等）都可以统一接入 Kafka。

Kafka的核心概念

• Broker： Kafka集群包含一个或多个服务器，这种服务器被称为broker
• Topic： 每条发布到Kafka集群的消息都有一个类别，这个类别被称为Topic。（物理上不同Topic的消息分开存储，逻辑上一个Topic的消息虽然保存于一个或多个broker上但用户只需指定消息的Topic即可生产或消费数据而不必关心数据存于何处）
• Partition： Partition是物理上的概念，每个Topic包含一个或多个Partition.
• Producer： 负责发布消息到Kafka broker
• Consumer： 消息消费者，向Kafka broker读取消息的客户端。
• Consumer Group： 每个Consumer属于一个特定的Consumer Group（可为每个Consumer指定group name，若不指定group name则属于默认的group）

Kafka简单实例

1. 安装完 Kafka 后， 会发现解压的 kafka 文件夹不是属于我的用户组， 修改所有者

sudo chown -R jerrysheh ./kafka

2. Kafka 是基于 zookeeper 的，因此首先要开启 zookeeper 服务

shell 1

bin/zookeeper-server-start.sh config/zookeeper.properties

3. 开启 kafka 服务

shell 2

bin/kafka-server-start.sh config/server.properties

4. topic是发布消息发布的 category , 现在以单节点的配置创建一个叫test的topic

shell 3

bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test

5. 用 --list 参数查看 topic 是否存在

shell 3

bin/kafka-topics.sh --list --zookeeper localhost:2181

6. 用 producer 生产一些数据

shell 3

bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test

随便输入点数据，比如

This is a message
This is another message

7. 用consumer来接收数据

shell 4

bin/kafka-console-consumer.sh --zookeeper localhost:2181 --topic test --from-beginning

可以看到，刚刚我们用producer生产的数据，在shell 4 ，也就是consumer终端接收到了。

参考：官方文档

---

使用 Kafka 作为 DStream 数据源

放弃治疗