帮我写一个SparkStreaming 充当 Kafka 的消费者消费 Kafka 中的数据，并进行分析

好的，下面是一个简单的示例代码：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.kafka010._

object KafkaConsumer {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("KafkaConsumer")
    val ssc = new StreamingContext(conf, Seconds(5))

    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "localhost:9092",
      "key.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
      "value.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
      "group.id" -> "test-consumer-group",
      "auto.offset.reset" -> "latest",
      "enable.auto.commit" -> (false: java.lang.Boolean)
    )

    val topics = Array("test")

    val stream = KafkaUtils.createDirectStream[String, String](
      ssc,
      LocationStrategies.PreferConsistent,
      ConsumerStrategies.Subscribe[String, String](topics, kafkaParams)
    )

    stream.flatMap(record => record.value.split(" "))
      .map(word => (word, 1))
      .reduceByKey(_ + _)
      .print()

    ssc.start()
    ssc.awaitTermination()
  }
}

这个程序使用 Spark Streaming 作为 Kafka 的消费者，消费了一个名为 "test" 的 Kafka 主题中的数据，并对数据进行了简单的单词计数。在这个示例中，我们使用了直接流（Direct Stream）来消费 Kafka 中的数据。我们也可以使用 Receiver-based Stream 来消费 Kafka 中的数据，但是 Receiver-based Stream 消耗的资源更多，因此在生产环境下推荐使用直接流。