清除检查点位置后 Spark Structured Streaming 消耗的旧 Kafka Offset

Question

我已经使用 Apache Kafka 和 Apache Spark 结构化流构建了一个应用程序。 我面临以下问题。

场景：

• 我设置了一个 Spark 结构化流，其来源为 Kafka 主题，并将接收器作为 Kafka 主题。
• 我们运行流并在 Kafka 主题上生成许多消息。
• 我们通过清除流的检查点位置来停止流并重新启动流。 运行 5 到 6 小时后，流随机消耗旧的 Kafka 消息。

清除检查点位置后，我只期待流中的新消息。
Spark 版本：2.4.0，Kafka 客户端版本：2.0.0，Kafka 版本：2.0.0，集群管理器：Kubernetes。

我已经通过更改检查点位置尝试了这种情况，但问题仍然存在。

{
SparkConf sparkConf = new SparkConf().setAppName("SparkKafkaConsumer");
SparkSession spark = SparkSession.builder().config(sparkConf).getOrCreate();
Dataset<Row> stream = spark
        .readStream()
        .format("kafka")
            .option("kafka.bootstrap.servers", "localhost:9092")
            .option(subscribeType, "REQUEST_TOPIC")
            .option("failOnDataLoss",false)
            .option("maxOffsetsPerTrigger","50")
            .option("startingOffsets","latest")
            .load()
            .selectExpr(
                  "CAST(value AS STRING) as payload",
                  "CAST(key AS STRING)",
                  "CAST(topic AS STRING)",
                  "CAST(partition AS STRING)",
                  "CAST(offset AS STRING)",
                  "CAST(timestamp AS STRING)",
                  "CAST(timestampType AS STRING)");

DataStreamWriter<String>  dataWriterStream = stream
            .writeStream()
            .format("kafka")
            .option("kafka.bootstrap.servers", "localhost:9092")
            .option("kafka.max.request.size", "35000000")
            .option("kafka.retries", "5")
            .option("kafka.batch.size", "35000000")
            .option("kafka.receive.buffer.bytes", "200000000")
            .option("kafka.acks","0")
            .option("kafka.compression.type", "snappy")
            .option("kafka.linger.ms", "0")
            .option("kafka.buffer.memory", "50000000")
            .option("topic", "RESPONSE_TOPIC")
            .outputMode("append")
            .option("checkpointLocation", checkPointDirectory);
spark.streams().awaitAnyTermination();

}

Answer 1

检查以下链接，

https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-rdd-checkpointing.html

您调用 SparkContext.setCheckpointDir(directory: String) 来设置检查点目录 - RDD 被检查点的目录。 如果在集群上运行，该目录必须是 HDFS 路径。 原因是驱动程序可能会尝试从自己的本地文件系统重建检查点的RDD，这是不正确的，因为检查点文件实际上在执行器机器上