LinMingQiang / spark-utils

:boom: :alien: :hotsprings::rocket:Encapsulated spark 与其他组件的结合api，方便使用，例如 es，hbase，kudu，kafka，mq等

🎉Spark-Util

POINT

• spark与其他组件的封装api
  
• 支持动态调节 streaming 的 批次间隔时间 （不同于sparkstreaming 的 定长的批次间隔，在Structed Streaming中使用trigger触发机制实现）;不使用streamingContext 来实现流式计算，因为streamingContext是严格的时间间隔执行job任务，当job时间远小于batchtime时，会有大量的时间是在sleep等待下一个批次执行的到来(具体可以看看streamingContext的源码);StreamingDynamicContext 的设计借鉴了streamingContext的设计。但是在Job的提交上不使用Queue队列来appending堆积的job。当job执行完后，用户可以自己选择是否立刻执行下一个批次的计算，还是选择继续等待指定时长。
  
• 支持在streaming过程中 重设 topics，用于生产中动态地增加删减数据源
  
• 添加了速率控制，KafkaRateController。用来控制读取速率，由于不是用的sparkstreaming，所有速率控制的一些参数拿不到，得自己去计算。
  
• 提供spark-streaming-kafka-0-10_2.10 spark 1.6 来支持 kafka的ssl
  
• 支持rdd.updateOffset 来管理偏移量。
  
• 封装 StreamingKafkaContext ：你依然可以用 streamingContext来实现流式计算，词Api封装了读取kafka数据。
  
  

Support

---

	scala version	Kafka version	hbase 1.0+	es 2.3.0	kudu 1.3.0	SSL
spark 1.3.x	2.10	0.8	👌	🌟	🍆	NO
spark 1.6.x	2.10	0.8	🐤	🎅	🌽	NO
spark 1.6.x	2.10	0.10+	🐤	🎅	🌽	YES
spark 2.0.x	2.10/2.11	0.10+	😃	🍒	🍑	YES

---

🎃 Table of contents

• Spark kafka /sparkstreaming kafka
• Spark Hbase
• Spark ES Util
• Spark Kudu
• Flink kafka
• Kafka Util
• Hbase Util
• Database util
• Elasticserach shade
• Rabbitmq util
• Splunk

Spark kafka

• 封装了StreamingDynamicContext 。动态地调整 streaming的批次间隔时间，不像sparkstreaming的批次间隔时间是固定的（Streaming Kafka DynamicContext is encapsulated. Dynamically adjust the batch interval of streaming, unlike sparkstreaming, where the batch interval is fixed）
• 使用StreamingDynamicContext 可以让你在流式程序的执行过程中动态的调整你的topic和获取kafkardd的方式。而不需要重新启动程序
• 添加了 sparkStreaming 1.6 -> kafka 010 的 spark-streaming-kafka-0-10_2.10 。用以支持ssl 。
• 封装了spark/sparkstreaming direct读取kafka数据的方式；提供rdd.updateOffset方法来手动管理偏移量到zk； 提供配置参数。
  (Encapsulated spark/sparkstreaming to read Kafka with Low level integration (offset in zookeeper)。Provides many configuration parameters to control the way to read Kafka data)
• 支持topic新增分区
  (Support topic to add new partition)
• 支持rdd数据写入kafka 的算子
  (Supporting RDD data to write to Kafka)
• 支持 Kafka SSL (提供spark 1.6 + Kafka 010 的整合api)（sparkstreaming 1.6 with kafka 010 ）
  (Support Kafka SSL (0.10+,spark 1.6+))
• Add parameters ： 'kafka.consumer.from' To dynamically decide whether to get Kafka data from last or from consumption point
• The version support of spark2.x Kafka 0.10+ is provided.（0.8, there is a big change compared to the 0.10 version.）
• https://github.com/LinMingQiang/sparkstreaming-kafka

  val kp = SparkKafkaContext.getKafkaParam(brokers,groupId,"consum","earliest")
  val skc = new SparkKafkaContext(kp,sparkconf)
  val kafkadataRdd = skc.kafkaRDD(topics,last,msgHandle)
  //...do something
  kafkadataRdd.updateOffsets(groupId)//update offset to zk

Spark Hbase

• 根据scan条件扫描hbase数据成RDD
  (spark scan hbase data to RDD)
  scan -> RDD[T]
• 根据RDD的数据来批量gethbase
  (spark RDD[T] get from hbase to RDD[U])
  RDD[T] -> Get -> RDD[U]
• 根据RDD的数据来批量 写入
  spark RDD[T] write to hbase
  RDD[T] -> Put -> Hbase
• 根据RDD的数据来批量更新rdd数据
  spark RDD[T] update with hbase data
  RDD[T] -> Get -> Combine -> RDD[U]
  
• 根据RDD的数据来批量更新rdd数据并写回hbase
  spark RDD[T] update with hbase data then put return to hbase
  RDD[T] -> Get -> Combine -> Put -> Hbase

   val conf = new SparkConf().setMaster("local").setAppName("tets")
   val sc = new SparkContext(conf)
   val hc = new SparkHBaseContext(sc, zk)
   hc.hbaseRDD(tablename, f).foreach { println }
   hc.scanHbaseRDD(tablename, new Scan(), f)

Spark ES Util

• spark集成es
  ElasticSearch integration for Apache Spark
  
• scan es数据为rdd
  Scanning es data into RDD
  

sc.esRDD("testindex/testtype", query)

Spark Kudu

• 读取kudu的数据为rdd
  Read kudu data into RDD
  
• 讲rdd数据写入kudu
  Write RDD data to kudu
  
• draw lessons from: https://github.com/tmalaska/SparkOnKudu

Flink kafka

• 这是一个简单的例子。读取卡夫卡数据，实现WordCount统计并写入HBase
  
• This is a simple example. Read Kafka data, implement WordCount statistics and write to HBase

• https://github.com/LinMingQiang/flink-demo

Splunk

• Splunk是一个日志显示和监视系统
  (Splunk is a log display and monitoring system.)
• Splunk的安装和使用
  (Installation and use of Splunk)

• https://github.com/LinMingQiang/spark-util/tree/splunk

Kafka Util

• 操作kafka工具类，提供每天记录主题的偏移量，主要用于日重新计算、小时重新计算等功能。
  Operate the tool class of kafka, provide offset to record topic by day, mainly used for day recalculation, hour recalculation and other functions  
  

Hbase Util

• 操作Hbase的工具类，查询HBase表的region信息，用于手动分割过大的region
  The tool class that operates Hbase, inquires the region information of HBase table, used for manual split some excessive region  
  

database util

• Provides a connection tool for each database. include: es,hbase,mysql,mongo
  

Elasticserach shade

• Resolving conflicts between ES and spark and Hadoop related packages
  

Rabbitmq util

• A tool class for sending and consuming MQ messages