SparkStreaming是怎样连接Kafka的？

Spark Streaming支持从多种数据源获取数据,其中就包括 Kafka，要想从 数据源获取数据，首先要建立两者之间的连接，本节来介绍两种连接Kafka的方式。

1.Receiver based Approach:

(1)KafkaUtils.createDstream基于接收器方式，消费Kafka数据已淘汰企业中不再使用;

(2)Receiver作为常驻的Task运行在Executor等待数据，但是一个Receiver效率低，需要开启多个，再手动合并数据(union)，再进行处理，很麻烦;

(3)Receiver那台机器挂了，可能会丢失数据，所以需要开启WAL(预写日志)保证数据安全，那么效率又会降低;

(4)Receiver方式是通过zookeeper来连接kafka队列，调用Kafka高阶API,offset存储在zookeeper,由Receiver维护

(5)Spark在消费的时候为了保证数据不丢也会在Checkpoint中存一份offset,可能会出现数据不一致;

2.· Direct Approach (No Receivers):

(1)KafkaUtils.createDirectStream直连方式，Streaming中每批次的每个job直接调用Simple Consumer API获取对应Topic数据，此种方式使用最多，面试时被问的最多;

(2)Direct方式是直接连接kafka分区来获取数据，从每个分区直接读取数据大大提高并行能力

(3)Direct方式调用Kafka低阶API(底层APl)，offset自己存储和维护，默认由Spark维护在checkpoint中，消除了与zk不一致的情况

(4)当然也可以自己手动维护，把offset存在MySQL/Redis中;

两种API

Spark Streaming与Kafka集成，有两套API，原因在于Kafka Consumer API有两套，文档：

http://spatkapathe.org/docs/2.4.5/streaming-kafka-integration.html

http://spark apache.org/docs/latest/streaming-kafka-integration.html

Kafka0.8.x版本-早已淘汰

底层使用老的KafkaAPI:Old Kafika Consumer API

支持Receiver(已淘达)和Direct模式：

Kafka 0.10.x版本-开发中使用

底层使用新的KafkaAPI:New Kafka Consumer API

只支持Direct模式

两个版本API