实时数仓链路分享：kafka =SparkStreaming=kudu集成kerberos

2024-09-06 20:38
文章标签 实时 分享 集成 数仓 kafka 链路 kerberos kudu sparkstreaming

本文主要是介绍实时数仓链路分享：kafka =SparkStreaming=kudu集成kerberos，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

点击上方蓝色字体，选择“设为星标”

回复”资源“获取更多资源

大数据技术与架构

点击右侧关注，大数据开发领域最强公众号！

暴走大数据

点击右侧关注，暴走大数据！

本文档主要介绍在cdh集成kerberos情况下，sparkstreaming怎么消费kafka数据，并存储在kudu里面

  • 假设kafka集成kerberos

  • 假设kudu集成kerberos

  • 假设用非root用户操作

  • spark基于yarn-cluster模式

代码编写，这里只介绍关键代码

  • 主类，以下代码仅供参考

package deng.yb.sparkStreaming;import java.net.URLDecoder;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Collection;
import java.util.HashMap;
import java.util.Iterator;
import java.util.LinkedHashMap;
import java.util.List;
import java.util.Map;
import java.util.UUID;import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kudu.spark.kudu.KuduContext;
import org.apache.log4j.Logger;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.StreamingContext;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import org.apache.spark.streaming.kafka010.ConsumerStrategies;
import org.apache.spark.streaming.kafka010.KafkaUtils;
import org.apache.spark.streaming.kafka010.LocationStrategies;
import org.springframework.context.support.ClassPathXmlApplicationContext;import com.alibaba.fastjson.JSONArray;
import com.alibaba.fastjson.JSONObject;import deng.yb.sparkStreaming.kafka.KafkaTools;
import deng.yb.sparkStreaming.utils.NginxInfo;
import deng.yb.sparkStreaming.utils.SpringContextUtil;/*** Hello world!**/
@SuppressWarnings("unchecked")
public class EApp {private static final Logger logger = Logger.getLogger(App.class);private static final String BEAN_CONF = "classpath:spring/spring-bean.xml";private static Map<String, String> conf = new HashMap<String, String>();/*** epp接口-request*/private static final String EPP_REQUEST = "POST /api/sky_server_data_app/track/user_time HTTP/1.1";/*** app接口-request*/private static final String APP_REQUEST = "POST /api/sky_server_data_app/code/app_code HTTP/1.1";/*** 在spring 配置的参数id*/private static final String CONFIG = "commonConfig";/*** 以下配置参数皆为配置key spark模式*/private static final String MASTER = "master";/*** spark-appName*/private static final String APP_NAME = "appName";/*** 自定义字段*/private static final String COLUMNS = "columns";/*** topic*/private static final String TOPIC = "topic";/*** 表名*/private static final String TABLE = "tables";static {String[] confs = new String[] { BEAN_CONF };// 把actx设置进去，后续可以共用SpringContextUtil.setApplicationContext(new ClassPathXmlApplicationContext(confs));conf = (Map<String, String>) SpringContextUtil.getBean(CONFIG);}public static void main(String args[]) {try {SparkSession spark = SparkSession.builder().appName(conf.get(APP_NAME)).master(conf.get(MASTER)).getOrCreate();Map<String, Object> confMap = KafkaTools.kafkaConf(conf);String[] topicArr = conf.get(TOPIC).split(",");Collection<String> topics = Arrays.asList(topicArr);StreamingContext sc = new StreamingContext(spark.sparkContext(),Durations.milliseconds(5000));JavaStreamingContext jssc = new JavaStreamingContext(sc);JavaInputDStream<ConsumerRecord<String, String>> stream = KafkaUtils.createDirectStream(jssc, LocationStrategies.PreferConsistent(), ConsumerStrategies.<String, String> Subscribe(topics, confMap));jssc.sparkContext().setLogLevel("ERROR");stream.context().sparkContext().setLogLevel("ERROR");// nginx日志对应字段String[] columns = conf.get(COLUMNS).split(",");Map<String, String> colimnsMap = new LinkedHashMap<String, String>();// 把字段和类型映射String[] temp;for (String column : columns) {temp = column.split(":");colimnsMap.put(temp[0], temp[1]);}// 表名String[] tables = conf.get(TABLE).split(",");// epp表额外的字段String[] eppExtColumns = { "app_name", "end", "portal_user_id","resource", "start", "username", "app_id" };KuduContext kudu = new KuduContext(conf.get("kudu.instances"),sc.sparkContext());// dstream transform// 第一层封装// 第二层切分// 第三层转换JavaDStream<LinkedHashMap<String,String>> linkMap = stream.map(record -> {logger.info("消息进来：" + record.value());LinkedHashMap<String,String> json = new LinkedHashMap<String, String>();String[] messages = record.value().split(",");int length = colimnsMap.size();int i = 0;for (Map.Entry<String, String> entry : colimnsMap.entrySet()) {if (i < length) {json.put(entry.getKey(), messages[i]);}i += 1;}// 处理http_version字段String httpVersion;if (json.containsKey("http_version")&& (httpVersion = json.get("http_version")) != null) {String[] httpVersionArry = httpVersion.split("_");if (httpVersionArry != null&& httpVersionArry.length > 1) {json.put("portal_name", httpVersionArry[0]);json.put("channel", httpVersionArry[1]);json.put("version", httpVersionArry[2]);}}logger.info("封装完数据格式："+json.toString());return json;}).cache();//EPP表linkMap.flatMap(new FlatMapFunction<LinkedHashMap<String,String>, JSONObject>(){@Overridepublic Iterator<JSONObject> call(LinkedHashMap<String,String> json) throws Exception {// TODO Auto-generated method stubArrayList<JSONObject> jsonArray = new ArrayList<JSONObject>();String request = json.get("request");if (request.indexOf(EPP_REQUEST) > -1) {logger.info("消息拆分：" + json.toString());// 这个进epp表String requestBody = URLDecoder.decode(json.get("app_id"), "utf-8");String[] strArr;JSONArray array = JSONObject.parseArray((strArr = requestBody.split("=")).length > 1 ? strArr[1]: strArr[0]);// 根据appid拆分for (int j = 0; j < array.size(); j++) {JSONObject obj = array.getJSONObject(j);JSONObject newJson = new JSONObject(new LinkedHashMap<String,Object>());// 把原来的属性加上for (String oldColumn : json.keySet()) {newJson.put(oldColumn,json.get(oldColumn));}for (String extColumn : eppExtColumns) {newJson.put(extColumn,obj.get(extColumn));}// kudu表一定要有主键newJson.put("id", UUID.randomUUID().toString().replace("-", ""));logger.info("生成EPP主键："+newJson.getString("id"));jsonArray.add(newJson);}return jsonArray.iterator();}return new ArrayList().iterator();}}).map(eppRowMap -> {logger.info("消息转换为epprow：" + eppRowMap.toString());List<Object> objArry = new ArrayList<Object>();eppRowMap.forEach((key, value) -> {objArry.add(NginxInfo.valueTranForm(key, value));});return RowFactory.create(objArry.toArray());}).foreachRDD(eppRdd -> {Dataset<Row> rows = spark.createDataFrame(eppRdd,DataTypes.createStructType(NginxInfo.getStructFieldList("EPP")));kudu.insertRows(rows,tables[0]);});jssc.start();jssc.awaitTermination();logger.info("完成!");} catch (Exception e) {logger.error("处理消息错误2！", e);}}private StructType contructStructType() {List<StructField> structFields = new ArrayList<StructField>();return null;}
}

  • KafkaTools类，主要获取kafka配置，代码仅供参考

public static Map<String, Object> kafkaConf(Map<String, String> conf) {if (conf == null) {return null;}// kafka配置Map<String, Object> kafkaParams = new HashMap<>();kafkaParams.put(ConsumerConfig.GROUP_ID_CONFIG, "DemoConsumer");kafkaParams.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");kafkaParams.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");kafkaParams.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");kafkaParams.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "5000");//kafka集成kerberos后的security.inter.broker.protocolkafkaParams.put("security.protocol", "SASL_PLAINTEXT");kafkaParams.put("sasl.kerberos.service.name", "kafka");kafkaParams.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,conf.get("bootStrapServers"));return kafkaParams;}
注意到，集成kerberos后，身份验证的代码并没有在项目写太多，只有kafka客户端配置加上kafkaParams.put("security.protocol", "SASL_PLAINTEXT")而已

  • 身份验证的操作分别交给spark-submit处理和调度器linux crontab 处理

  • 假设我用的是wms这个账号去跑任务

  • 新建kafka_client_jaas.conf文件

cd /usr/wms/sparkstreaming/#该文件给kafka身份验证用
[wms@node1 sparkstreaming]$ vi kafka_client_jaas.conf
KafkaClient {com.sun.security.auth.module.Krb5LoginModule requireduseKeyTab=truestoreKey=trueuseTicketCache=falseserviceName="kafka"keyTab="./wms.keytab"principal="wms@W.COM";
};#把wms.keytab也放在相应目录下，此时目录机构应该是如此
-rwxr-xr-x 1 root root 352 Jul 16 09:48 wms.keytab
[wms@node1 sparkstreaming]$ ll
总用量 114172
#conf.properties文件是spark应用的配置文件
-rwxr-xr-x 1 wms wms       897 7月  16 09:45 conf.properties
-rwxr-xr-x 1 wms wms       221 7月  16 09:45 kafka_client_jaas.conf
-rwxr-xr-x 1 wms wms       352 7月  16 09:45 wms.keytab#scp到其他目录
scp /usr/wms/sparkstreaming/* root@bi-slave1:/usr/wms/sparkstreaming/
scp /usr/wms/sparkstreaming/* root@bi-slave2:/usr/wms/sparkstreaming/
scp /usr/wms/sparkstreaming/* root@bi-slave3:/usr/wms/sparkstreaming/

  • spark启动前，先初始化driver和executor是节点票据

#该操作主要是为了保证executor节点执行kudu操作前有权限
#这里我们写了一个批处理脚本，能在所有节点执行某个命令
#我们用linux调度工具，到点初始化wms用户票据，防止票据失效
#在root权限下操作
exit
[root@node1 sparkstreaming]# crontab -e
#每五分钟，在每台机器初始化wms用户票据，防止失效
*/5 * * * * ./doCommand.sh "su wms -c 'kinit -kt /usr/wms/sparkstreaming/wms.keytab wms@W.COM'" > /usr/wms/sparkstreaming/lastupdate

  • spark-submit

# 注意需要在配置文件目录下执行spark2-submit命令
# driver节点需要配置kafka的security.auth.login.config信息
# executor节点需要配置kafka的security.auth.login.config信息
# driver根据绝对路径读取配置
# executor根据相对路径读取配置
# 通过files配置把kafka_client_jaas.conf,wms.keytab发到executor节点spark2-submit  --driver-java-options=-Djava.security.auth.login.config=/etc/wonhighconf/bi/bi-sparkstreaming/kafka_client_jaas.conf  --conf "spark.executor.extraJavaOptions=-Djava.security.auth.login.config=./kafka_client_jaas.conf" --files kafka_client_jaas.conf,wms.keytab --master yarn --deploy-mode cluster  --class deng.yb.sparkStreaming.App /usr/wms/sparkstreaming/sparkStreaming-0.0.1-SNAPSHOT.jar

  • spark启动后，进入yarn查看spark日志

欢迎点赞+收藏+转发朋友圈素质三连

文章不错？点个【在看】吧！ ????

这篇关于实时数仓链路分享：kafka =SparkStreaming=kudu集成kerberos的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1143061。

相关文章

Python虚拟环境与Conda使用指南分享

Python虚拟环境与Conda使用指南分享

《Python虚拟环境与Conda使用指南分享》：本文主要介绍Python虚拟环境与Conda使用指南,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、python 虚拟环境概述1.1 什么是虚拟环境1.2 为什么需要虚拟环境二、Python 内置的虚拟环境工具
阅读更多...
SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

《SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程》LiteFlow是一款专注于逻辑驱动流程编排的轻量级框架,它以组件化方式快速构建和执行业务流程,有效解耦复杂业务逻辑,下面给大... 目录一、基础概念1.1 组件（Component）1.2 规则（Rule）1.3 上下文（Conte
阅读更多...
使用vscode搭建pywebview集成vue项目实践

使用vscode搭建pywebview集成vue项目实践

《使用vscode搭建pywebview集成vue项目实践》：本文主要介绍使用vscode搭建pywebview集成vue项目实践,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录环境准备项目源码下载项目说明调试与生成可执行文件核心代码说明总结本节我们使用pythonpywebv
阅读更多...
Maven项目中集成数据库文档生成工具的操作步骤

Maven项目中集成数据库文档生成工具的操作步骤

《Maven项目中集成数据库文档生成工具的操作步骤》在Maven项目中,可以通过集成数据库文档生成工具来自动生成数据库文档,本文为大家整理了使用screw-maven-plugin（推荐）的完... 目录1. 添加插件配置到 pom.XML2. 配置数据库信息3. 执行生成命令4. 高级配置选项5. 注意事
阅读更多...
Python处理大量Excel文件的十个技巧分享

Python处理大量Excel文件的十个技巧分享

《Python处理大量Excel文件的十个技巧分享》每天被大量Excel文件折磨的你看过来！这是一份Python程序员整理的实用技巧,不说废话,直接上干货,文章通过代码示例讲解的非常详细,需要的朋友可... 目录一、批量读取多个Excel文件二、选择性读取工作表和列三、自动调整格式和样式四、智能数据清洗五、
阅读更多...
Java集成Onlyoffice的示例代码及场景分析

Java集成Onlyoffice的示例代码及场景分析

《Java集成Onlyoffice的示例代码及场景分析》：本文主要介绍Java集成Onlyoffice的示例代码及场景分析,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要... 需求场景：实现文档的在线编辑，团队协作总结：两个接口 + 前端页面 + 配置项接口1：一个接口，将o
阅读更多...
SpringBoot实现Kafka动态反序列化的完整代码

SpringBoot实现Kafka动态反序列化的完整代码

《SpringBoot实现Kafka动态反序列化的完整代码》在分布式系统中,Kafka作为高吞吐量的消息队列,常常需要处理来自不同主题（Topic）的异构数据,不同的业务场景可能要求对同一消费者组内的... 目录引言一、问题背景1.1 动态反序列化的需求1.2 常见问题二、动态反序列化的核心方案2.1 ht
阅读更多...
Swagger2与Springdoc集成与使用详解

Swagger2与Springdoc集成与使用详解

《Swagger2与Springdoc集成与使用详解》：本文主要介绍Swagger2与Springdoc集成与使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录1. 依赖配置2. 基础配置2.1 启用 Springdoc2.2 自定义 OpenAPI 信息3.
阅读更多...
JDK9到JDK21中值得掌握的29个实用特性分享

JDK9到JDK21中值得掌握的29个实用特性分享

《JDK9到JDK21中值得掌握的29个实用特性分享》Java的演进节奏从JDK9开始显著加快,每半年一个新版本的发布节奏为Java带来了大量的新特性,本文整理了29个JDK9到JDK21中值得掌握的... 目录JDK 9 模块化与API增强1. 集合工厂方法：一行代码创建不可变集合2. 私有接口方法：接口
阅读更多...
电脑系统Hosts文件原理和应用分享

电脑系统Hosts文件原理和应用分享

《电脑系统Hosts文件原理和应用分享》Hosts是一个没有扩展名的系统文件，当用户在浏览器中输入一个需要登录的网址时，系统会首先自动从Hosts文件中寻找对应的IP地址，一旦找到，系统会立即打开对应... Hosts是一个没有扩展名的系统文件，可以用记事本等工具打开，其作用就是将一些常用的网址域名与其对应
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2