Spark可以通過Spark Streaming模塊來讀取Kafka中的數據，實現實時流數據處理。

以下是一個簡單的示例代碼，演示了如何在Spark中讀取Kafka數據：

import org.apache.spark.SparkConf
import org.apache.spark.streaming._
import org.apache.spark.streaming.kafka._

val sparkConf = new SparkConf().setAppName("KafkaStreamingExample")
val ssc = new StreamingContext(sparkConf, Seconds(5))

val kafkaParams = Map("bootstrap.servers" -> "localhost:9092",
                      "key.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
                      "value.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
                      "group.id" -> "spark-streaming-group",
                      "auto.offset.reset" -> "latest",
                      "enable.auto.commit" -> (false: java.lang.Boolean))
val topics = Set("topic1", "topic2")

val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)

kafkaStream.foreachRDD { rdd =>
  rdd.foreach { record =>
    println(record._2)
  }
}

ssc.start()
ssc.awaitTermination()

在上面的示例中，首先創建了一個StreamingContext對象，指定了Spark的配置和批處理間隔為5秒。然后設置了Kafka的參數，包括bootstrap.servers、key/value的反序列化器、消費者組ID等。接著指定要讀取的Kafka主題，然后通過KafkaUtils.createDirectStream方法創建一個DStream對象，該對象代表了從Kafka中讀取的數據流。

最后通過foreachRDD方法對每個批處理的RDD進行處理，可以在其中訪問每個記錄，并進行相應的處理。最后啟動StreamingContext并等待其終止。

需要注意的是，上面的示例中使用的是Direct方式從Kafka中讀取數據，還有另外一種方式是Receiver方式，具體選擇哪種方式取決于需求和場景。