通过 Spark 将 Kafka 消息保存到 HBase 中。会话永不关闭

Question

我正在尝试使用 Spark 流从 Kafka 接收消息，将它们转换为 Put 并插入到 HBase 中。我创建一个 inputDstream 来接收来自 Kafka 的消息，然后创建一个 JobConf，最后使用 saveAsHadoopDataset(JobConf) 将记录保存到 HBase。

每次记录插入到HBase，都会建立一个从Hbase到zookeeper的会话，但不会关闭。如果连接数增加超过 zookeeper 的最大客户端连接数，则 spark streaming 崩溃。

我的代码如下：

import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.hadoop.hbase.client.Put
import org.apache.hadoop.hbase.io.ImmutableBytesWritable
import org.apache.hadoop.hbase.mapred.TableOutputFormat
import org.apache.hadoop.hbase.util.Bytes
import org.apache.hadoop.mapred.JobConf
import org.apache.spark.streaming.Seconds
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.kafka._
import kafka.serializer.StringDecoder

object ReceiveKafkaAsDstream {

  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("ReceiveKafkaAsDstream")
    val ssc = new StreamingContext(sparkConf, Seconds(1))

    val topics = "test"
    val brokers = "10.0.2.15:6667"

    val topicSet = topics.split(",").toSet
    val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)

    val messages = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topicSet)

    val tableName = "KafkaTable"
    val conf = HBaseConfiguration.create()
    conf.set("zookeeper.znode.parent", "/hbase-unsecure")
    conf.set("hbase.zookeeper.property.clientPort", "2181")
    conf.set(TableOutputFormat.OUTPUT_TABLE, tableName)

    val jobConfig: JobConf = new JobConf(conf, this.getClass)
    jobConfig.set("mapreduce.output.fileoutputformat", "/user/root/out")
    jobConfig.setOutputFormat(classOf[TableOutputFormat])
    jobConfig.set(TableOutputFormat.OUTPUT_TABLE, tableName)

      val records = messages
        .map(_._2)
        .map(SampleKafkaRecord.parseToSampleRecord)
      records.print()  
      records.foreachRDD{ stream => stream.map(SampleKafkaRecord.SampleToHbasePut).saveAsHadoopDataset(jobConfig) }

    ssc.start()
    ssc.awaitTermination()
  }

  case class SampleKafkaRecord(id: String, name: String)
  object SampleKafkaRecord extends Serializable {
    def parseToSampleRecord(line: String): SampleKafkaRecord = {
      val values = line.split(";")
      SampleKafkaRecord(values(0), values(1))
    }

    def SampleToHbasePut(CSVData: SampleKafkaRecord): (ImmutableBytesWritable, Put) = {
      val rowKey = CSVData.id
      val putOnce = new Put(rowKey.getBytes)

      putOnce.addColumn("cf1".getBytes, "column-Name".getBytes, CSVData.name.getBytes)
      return (new ImmutableBytesWritable(rowKey.getBytes), putOnce)
    }
  }
}

我在 zookeeper conf 文件中将 SSC (SparkStreamingContext) 的持续时间设置为 1s，并将 maxClientCnxns 设置为 10 zoo.cfg，因此从一个客户端到 zookeeper 最多允许 10 个连接。

10 秒后（从 HBase 到 zookeeper 建立了 10 个会话），我得到如下所示的错误：

16/08/24 14:59:30 WARN RecoverableZooKeeper: Possibly transient ZooKeeper, quorum=localhost:2181, exception=org.apache.zookeeper.KeeperException$ConnectionLossException: KeeperErrorCode = ConnectionLoss for /hbase-unsecure/hbaseid
16/08/24 14:59:31 INFO ClientCnxn: Opening socket connection to server localhost.localdomain/127.0.0.1:2181. Will not attempt to authenticate using SASL (unknown error)
16/08/24 14:59:31 INFO ClientCnxn: Socket connection established to localhost.localdomain/127.0.0.1:2181, initiating session
16/08/24 14:59:31 WARN ClientCnxn: Session 0x0 for server localhost.localdomain/127.0.0.1:2181, unexpected error, closing socket connection and attempting reconnect
java.io.IOException: Connection reset by peer
        at sun.nio.ch.FileDispatcherImpl.read0(Native Method)
        at sun.nio.ch.SocketDispatcher.read(SocketDispatcher.java:39)
        at sun.nio.ch.IOUtil.readIntoNativeBuffer(IOUtil.java:223)
        at sun.nio.ch.IOUtil.read(IOUtil.java:192)
        at sun.nio.ch.SocketChannelImpl.read(SocketChannelImpl.java:384)
        at org.apache.zookeeper.ClientCnxnSocketNIO.doIO(ClientCnxnSocketNIO.java:68)
        at org.apache.zookeeper.ClientCnxnSocketNIO.doTransport(ClientCnxnSocketNIO.java:366)
        at org.apache.zookeeper.ClientCnxn$SendThread.run(ClientCnxn.java:1125)

据我了解，存在此错误是因为连接数超过了 zookeeper 的最大连接数。如果我将 maxClientCnxn 设置为 20，流式处理可以持续 20 秒。我知道我可以将 maxClientCnxn 设置为无限制，但我真的不认为这是解决这个问题的好方法。

另一件事是，如果我使用 TextFileStream 将文本文件作为 DStream 获取，并使用 saveAsHadoopDataset(jobConf) 将它们保存到 hbase 中，它运行得很好。如果我只是使用 val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers) 从 kafka 读取数据并简单地打印信息，也没有问题。当我收到 kafka 消息，然后将它们保存到应用程序中的 HBase 时，问题就来了。

我的环境是 HDP 2.4 沙箱。版本火花：1.6，hbase:1.1.2，kafka:2.10.0，动物园管理员：3.4.6.

感谢任何帮助。

Answer 1

嗯，终于搞定了。

属性集：

有一个属性叫做"zookeeper.connection.timeout.ms"。此属性应设置为 1s。

更改为新的 API:

将方法 saveAsHadoopDataset(JobConf) 更改为 saveAsNewAPIHadoopDataset(JobConf)。我仍然不知道为什么旧的 API 不起作用。

将import org.apache.hadoop.hbase.mapred.TableOutputFormat更改为import org.apache.hadoop.hbase.mapreduce.TableOutputFormat

通过 Spark 将 Kafka 消息保存到 HBase 中。会话永不关闭

Save Kafka messages into HBase through Spark. Session never closes

hbase

apache-kafka

hortonworks-data-platform

apache-spark

spark-streaming