Question

我正在使用Spark Streaming来消耗来自Kafka主题的消息，该主题有10个分区。我正在使用直接方法从kafka进行消费，其代码如下：

def createStreamingContext(conf: Conf): StreamingContext = {
    val dateFormat = conf.dateFormat.apply
    val hiveTable = conf.tableName.apply

    val sparkConf = new SparkConf()

    sparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
    sparkConf.set("spark.driver.allowMultipleContexts", "true")

    val sc = SparkContextBuilder.build(Some(sparkConf))
    val ssc = new StreamingContext(sc, Seconds(conf.batchInterval.apply))

    val kafkaParams = Map[String, String](
      "bootstrap.servers" -> conf.kafkaBrokers.apply,
      "key.deserializer" -> classOf[StringDeserializer].getName,
      "value.deserializer" -> classOf[StringDeserializer].getName,
      "auto.offset.reset" -> "smallest",
      "enable.auto.commit" -> "false"
    )

    val directKafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
      ssc,
      kafkaParams,
      conf.topics.apply().split(",").toSet[String]
    )

    val windowedKafkaStream = directKafkaStream.window(Seconds(conf.windowDuration.apply))
    ssc.checkpoint(conf.sparkCheckpointDir.apply)

    val eirRDD: DStream[Row] = windowedKafkaStream.map { kv =>
      val fields: Array[String] = kv._2.split(",")
      createDomainObject(fields, dateFormat)
    }

    eirRDD.foreachRDD { rdd =>
      val schema = SchemaBuilder.build()
      val sqlContext: HiveContext = HiveSQLContext.getInstance(Some(rdd.context))
      val eirDF: DataFrame = sqlContext.createDataFrame(rdd, schema)

      eirDF
        .select(schema.map(c => col(c.name)): _*)
        .write
        .mode(SaveMode.Append)
        .partitionBy("year", "month", "day")
        .insertInto(hiveTable)
    }
    ssc
  }

从代码中可以看出，我使用window实现了这一目标（，如果我输入错了，请纠正我）：由于有一个可插入到配置单元表中的操作，我想为了避免过多地写入HDFS，所以我要在内存中保存足够的数据，然后再写入文件系统。我认为使用window是实现它的正确方法。

现在，在下图中，您可以看到有很多批次正在排队，并且正在处理的批次要花很长时间才能完成。

我还提供了正在处理的单个批次的详细信息：

当批次中没有太多事件时，为什么要执行许多操作来执行插入操作？有时，发生0个事件还会生成成千上万的任务，这些任务永远需要完成。

用Spark处理微批处理的方式是否错误？

感谢您的帮助！

一些额外的细节：

纱线容器的最大容量为2gb。在此纱线队列中，容器的最大数量为10。当我查看执行此spark应用程序的队列的详细信息时，容器的数量非常大，大约有1.5万个待处理容器。

Answer 1

好吧，我终于明白了。显然，Spark Streaming不会遇到空事件，因此在代码的foreachRDD部分中，我添加了以下内容：

eirRDD.foreachRDD { rdd =>
      if (rdd.take(1).length != 0) {
        //do action
      }
}

这样，我们跳过了空的微型批次。 isEmpty（）方法不起作用。

希望这对其他人有帮助！ ;）

Answer 2

您可以使用rdd.partitions.size进行检查。如果大小小于1，则表示rdd为空。但是，如果您使用take（）方法，则在rdd为空时会出错。

Spark Streaming 1.6 + Kafka：处于“排队”状态的批次过多

2 个答案: