Question

我正在使用Spark Kafka直接流式传输来自Kafka的消息。我想实现零消息丢失，重新启动spark后，它必须从Kafka读取丢失的消息。我正在使用检查点来保存所有读取偏移，以便下次spark将从存储的偏移量开始读取。这是我的理解。

我使用了下面的代码。我停下了火花，向卡夫卡发了几条消息。重新启动火花后，没有读取来自卡夫卡的错过信息。 Spark从kafka读取最新消息。如何阅读卡夫卡错过的消息？

val ssc = new StreamingContext(spark.sparkContext, Milliseconds(6000))
ssc.checkpoint("C:/cp")

val kafkaParams = Map[String, Object](
  "bootstrap.servers" -> "localhost:9092",
  "key.deserializer" -> classOf[StringDeserializer],
  "value.deserializer" -> classOf[StringDeserializer],
  "group.id" -> "use_a_separate_group_id_for_each_stream",
  "auto.offset.reset" -> "latest",
  "enable.auto.commit" -> (false: java.lang.Boolean)
)
val topics = Array("test")
val ssc = new StreamingContext(spark.sparkContext, Milliseconds(50))
val msgStream = KafkaUtils.createDirectStream[String, String](
  ssc,
  PreferConsistent,
  Subscribe[String, String](topics, kafkaParams)
)

注意：应用程序日志会将auto.offset.reset显示为无，而不是最新。为什么？

WARN KafkaUtils: overriding auto.offset.reset to none for executor

SBT

scalaVersion := "2.11.8"
val sparkVersion = "2.2.0"
val connectorVersion = "2.0.7"
val kafka_stream_version = "1.6.3"

Windows：7

Answer 1

如果您想阅读遗漏的消息，请尝试提交进程而不是检查点。

请理解，Spark无法读取带有属性的旧消息：

"auto.offset.reset" -> "latest"

试试这个：

val kafkaParams = Map[String, Object](
 //...
 "auto.offset.reset" -> "earliest",
 "enable.auto.commit" -> (false: java.lang.Boolean)
 //...
)

stream.foreachRDD { rdd =>
  val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges

  //Your processing goes here

  //Then commit after completing your process.
  stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
}

希望这有帮助。

Answer 2

我建议不要依赖检查点，而是可以使用外部数据存储来保存已处理的Kafka消息偏移。请点击链接以获得一些见解。 https://blog.cloudera.com/blog/2017/06/offset-management-for-apache-kafka-with-apache-spark-streaming/

Spark流检查点

2 个答案: