实现云上流式场景下数据流打通，方便用户在百度智能云上使用各个产品实现流式需求，实现流式数据处理全流程。
事件流具能够持续产生大量的数据，这类数据最早出现与传统的银行和股票交易领域，也在互联网监控、无线通信网等领域出现、需要以近实时的方式对更新数据流进行复杂分析如趋势分析、预测、监控等。简单来说，事件流采用的是查询保持静态，语句是固定的，数据不断变化的方式。
比如对于大型网站的流式数据：网站的访问pv/uv、用户访问了什么内容、搜索了什么内容等，实时的数据计算和分析可以动态实时地刷新用户访问数据，展示网站实时流量的变化情况，分析每天各小时的流量和用户分布情况；比如金融行业，毫秒级延迟的需求至关重要。一些需要实时处理数据的场景也可以应用flink/kafka，比如根据用户行为产生的日志文件进行实时分析，对用户进行商品的实时推荐等。
本场景应用于数据流式处理，使用到bls（百度log service）、bms（百度消息服务）以及bmr（mapreduce）三个产品。
整个流程分为数据采集和数据计算两部分。
数据采集过程通过bls以及百度消息服务bms实现。
参考文档：。
目前百度消息服务bms支持“华北-北京”、“华南-广州”以及“香港2区”三个地区，创建主题前可以根据具体需求选择不同的区域。
参考文档：安装收集器
选择“收集器安装”，选择相应的操作系统后，点击“复制”；
登录需要传输日志的主机，在root权限下执行所“复制”的安装命令。
具体步骤为： 1. 在传输任务列表页面，点击“创建传输任务”，进入创建传输任务页面； 2. 在“任务信息”区，输入任务名称； 3. 在“源端设置”区，根据源数据类型，选择不通的源端类型以及进行相应的配置； 4. 在“目的端设置”区，选择“kafka”作为日志投递目的； 5. 在“主机列表”区，点击“添加主机”，选择安装好“收集器”的主机； 6. 在“主机列表”区，选择需部署该传输任务的主机，点击“创建”；
详细操作步骤请参考文档：。
目前百度消息奇异果体育app竞彩官网下载的服务支持“华北-北京”、“华南-广州”两个地区，创建topic前可以根据具体需求选择不同的区域。
数据计算过程通过bmr的spark streaming连接百度消息服务。本文以使用pyspark为例，spark版本1.6，线上kafka版本0.10。具体步骤如下：
参考文档：创建集群
注意：在“集群配置”区，选择“spark”内置模板，并将spark选上。
# eip可以在bmr console集群详情页的实例列表获取
ssh root@eip
# 切换到hdfs用户
su hdfs
cd
# 下载依赖
wget http://bmr-public-bj.bj.bcebos.com/sample/spark-streaming-kafka-0-10-assembly_2.10-1.6.0.jar备注
获取集群登录公网ip
以kafka_wordcount为例，使用前请删除文中注释：
from __future__ import print_function
import sys
import configparser
from pyspark import sparkcontext
from pyspark.streaming import streamingcontext
from pyspark.streaming.kafka010 import kafkautils
from pyspark.streaming.kafka010 import preferconsistent
from pyspark.streaming.kafka010 import subscribe
# 读取配置文件
def read_config(file_name):
cf = configparser.configparser()
# read config file
cf.read(file_name)
# read kafka config
section = "kafka"
opts = cf.options(section)
config = {}
for opt in opts:
# topics should be a list
if opt == "topics":
config[opt] = str.split(cf.get(section, opt), ",")
else:
config[opt] = cf.get(section, opt)
return config
if __name__ == "__main__":
"""
if len(sys.argv) != 3:
print("usage: kafka_wordcount.py ", file=sys.stderr)
exit(-1)
"""
# 建立sparkcontext和streamingcontext，demo处理间隔为20s
sc = sparkcontext(appname="pythonstreamingkafkawordcount")
ssc = streamingcontext(sc, 20)
# 读取配置文件test.conf，获取连接百度kafka参数
config_file = "test.conf"
kafkaparams = read_config(config_file)
# 建立kafka输入流
topics = kafkaparams["topics"]
kvs = kafkautils.createdirectstream(ssc, preferconsistent(), subscribe(topics, kafkaparams))
lines = kvs.map(lambda x: x[1])
counts = lines.flatmap(lambda line: line.split(" ")) \
.map(lambda word: (word, 1)) \
.reducebykey(lambda a, b: a b)
counts.pprint()
# 启动streamingcontext
ssc.start()
ssc.awaittermination() 下载证书：
以“test.conf"为例：
vi test.conf
# 写入如下内容
[kafka]
bootstrap.servers = kafka.bj.baidubce.com:9091
topics = test_for_demo
group.id = test
# 以下为ssl配置，根据client.properties中的内容进行更换
security.protocol = ssl
ssl.truststore.password = test_truststore_password
ssl.truststore.location = client.truststore.jks
ssl.keystore.location = client.keystore.jks
ssl.keystore.password = test_keystore_password参数说明：
bootstrap.servers: kafka服务地址
topics: 需要消费的topic，如需消费多个topic，以逗号分割，如topic1，topic2，topic3
group.id: consumer group的id，请不要随意设置，以免与其他用户冲突（kafka服务未来将支持groupid隔离）更多配置见：
按照如上四步，当前目录（hdfs home目录）有五个文件：test.conf、client.truststore.jks、client.keystore.jks、kafka_wordcount.py、spark-streaming-kafka-0-10-assembly_2.10-1.6.0.jar：
使用spark-submit提交streaming作业：
/usr/bin/spark-submit --master yarn --deploy-mode cluster --files test.conf,client.keystore.jks,client.truststore.jks --jars spark-streaming-kafka-0-10-assembly_2.10-1.6.0.jar kafka_wordcount.py在“集群详情页”点开“hadoop yarn web ui”，即可打开yarn console：
在yarn console可以查看对应application的日志，用以查看程序的输出，以kafka_wordcount为例，输出在stdout中：
如果需要停掉某个作业，可以使用“yarn application -kill applicationid”命令，例如：
yarn application -kill application_1488868742896_0002同时跑多个作业，请注意修改test.conf中的配置
数据计算过程通过bmr的spark streaming连接百度消息服务bms。本文以使用scala为例，spark版本2.1,线上kafka版本0.10。具体步骤如下：
参考文档：创建集群
注意：在“集群配置”区，选择“spark2”内置模板，并将spark选上。
# eip可以在bmr console集群详情页的实例列表获取
ssh root@eip
# 切换到hdfs用户
su hdfs
cd
# 下载依赖
wget https://bmr-public-bj.bj.bcebos.com/sample/original-kafke-read-streaming-1.0-snapshot.jar下载证书：
以“test.conf"为例：
vi test.conf
# 写入如下内容
[kafka]
bootstrap.servers = kafka.bj.baidubce.com:9091
topics = test_for_demo
group.id = test
# 以下为ssl配置，根据client.properties中的内容进行更换
security.protocol = ssl
ssl.truststore.password = test_truststore_password
ssl.truststore.location = client.truststore.jks
ssl.keystore.location = client.keystore.jks
ssl.keystore.password = test_keystore_password参数说明：
bootstrap.servers: kafka服务地址
topics: 需要消费的topic，如需消费多个topic，以逗号分割，如topic1，topic2，topic3
group.id: consumer group的id，请不要随意设置，以免与其他用户冲突（kafka服务未来将支持groupid隔离）更多配置见：
按照如上四步，当前目录有四个文件：test.conf、client.truststore.jks、client.keystore.jks、
使用spark-submit提交streaming作业：
spark-submit --class com.baidu.inf.spark.wordcount --master yarn --deploy-mode cluster --files test.conf,client.keystore.jks,client.truststore.jks ./original-kafke-read-streaming-1.0-snapshot.jar "$topics" "$bootstrap.servers" "$group.id" "$ssl.truststore.password" "$ssl.keystore.password"(注意：这里请替换掉命令中最后面5个参数值为实际的值，即文件test.conf中描述的字段。)
例子：
spark-submit --class com.baidu.inf.spark.wordcount --master yarn --deploy-mode cluster --files test.conf,client.keystore.jks,client.truststore.jks ./original-kafke-read-streaming-1.0-snapshot.jar "868313b92dbe474b80ee4ef0904df26d__test" "kafka.bj.baidubce.com:9091" "test" "kafka" "k7ynher0"附上wordcount 示例代码：
package com.baidu.inf.spark
import org.apache.kafka.common.serialization.stringdeserializer
import org.apache.spark.sparkconf
import org.apache.spark.streaming.kafka010.consumerstrategies.subscribe
import org.apache.spark.streaming.kafka010.kafkautils
import org.apache.spark.streaming.kafka010.locationstrategies.preferconsistent
import org.apache.spark.streaming.{seconds, streamingcontext}
object wordcount {
def classname = this.getclass.getname.stripsuffix("$")
def main(args: array[string]): unit = {
if (args.length < 4) {
system.err.println(
s"usage:input params: "
" "
" "
" "
" "
" "
)
sys.exit(1)
}
val array(topic, bootstrap, group,
truststore, keystore, _*) = args
val conf = new sparkconf().setappname(classname).setifmissing("spark.master", "local[2]")
conf.set("spark.serializer", "org.apache.spark.serializer.kryoserializer")
val ssc = new streamingcontext(conf, seconds(5))
val kafkaparams = map[string, object](
"bootstrap.servers" -> bootstrap,
"key.deserializer" -> classof[stringdeserializer].getname,
"value.deserializer" -> classof[stringdeserializer].getname,
"group.id" -> group,
"auto.offset.reset" -> "latest",
"serializer.class" -> "kafka.serializer.stringencoder",
"ssl.truststore.location" -> "client.truststore.jks",
"ssl.keystore.location" -> "client.keystore.jks",
"security.protocol" -> "ssl",
"ssl.truststore.password" -> truststore,
"ssl.keystore.password" -> keystore,
"enable.auto.commit" -> (true: java.lang.boolean)
)
ssc.sparkcontext.setloglevel("warn")
val topics = array(topic)
// 消费kafka数据
val stream = kafkautils.createdirectstream[string, string](
ssc,
preferconsistent,~~~~
subscribe[string, string](topics, kafkaparams)
).map(record => record.value())
val counts = stream.flatmap(_.split(" "))
.map(word => (word, 1))
.reducebykey(_ _)
counts.print()
ssc.start()
ssc.awaittermination()
ssc.stop(true, true)
}
} 在“集群详情页”点开“hadoop yarn web ui”，即可打开yarn console：
在yarn console可以查看对应application的日志，用以查看程序的输出，以kafka_wordcount为例，输出在stdout中：
如果需要停掉某个作业，可以使用“yarn application -kill applicationid”命令，例如：
yarn application -kill application_1488868742896_0002同时跑多个作业，请注意修改test.conf中的配置