在同一个 spark session 中运行多个 Spark Kafka Structured Streaming 查询增加偏移量但显示 numInputRows 0

Question

我有一个 Spark Structured Streaming 消费来自 Kafka 主题的记录，有 2 个分区。

Spark 作业： 2 个查询，每个查询来自 2 个单独的分区，从同一个 spark session 运行。

    val df1 = session.readStream.format("kafka")
            .option("kafka.bootstrap.servers", kafkaBootstrapServer)
            .option("assign", "{\"multi-stream1\" : [0]}")
            .option("startingOffsets", latest)
            .option("key.deserializer", classOf[StringDeserializer].getName)
            .option("value.deserializer", classOf[StringDeserializer].getName)
            .option("max.poll.records", 500)
            .option("failOnDataLoss", true)
            .load()
    val query1 = df1
            .select(col("key").cast("string"),from_json(col("value").cast("string"), schema, Map.empty[String, String]).as("data"))
            .select("key","data.*")
            .writeStream.format("parquet").option("path", path).outputMode("append")
            .option("checkpointLocation", checkpoint_dir1)
            .partitionBy("key")/*.trigger(Trigger.ProcessingTime("5 seconds"))*/
            .queryName("query1").start()
    
    val df2 = session.readStream.format("kafka")
            .option("kafka.bootstrap.servers", kafkaBootstrapServer)
            .option("assign", "{\"multi-stream1\" : [1]}")
            .option("startingOffsets", latest)
            .option("key.deserializer", classOf[StringDeserializer].getName)
            .option("value.deserializer", classOf[StringDeserializer].getName)
            .option("max.poll.records", 500)
            .option("failOnDataLoss", true)
            .load()
val query2 = df2.select(col("key").cast("string"),from_json(col("value").cast("string"), schema, Map.empty[String, String]).as("data"))
            .select("key","data.*")
            .writeStream.format("parquet").option("path", path).outputMode("append")
            .option("checkpointLocation", checkpoint_dir2)
            .partitionBy("key")/*.trigger(Trigger.ProcessingTime("5 seconds"))*/
            .queryName("query2").start()
    session.streams.awaitAnyTermination()

问题：每次在两个分区中推送记录时，两个查询都显示进度，但其中只有一个正在发出 output。 我可以从那些处理了记录的查询中看到 output。 例如，Kafka Partition 0 - 记录被推送，spark 将处理 query1。 Kafka Partition 1 - 当 query1 忙于处理时推送记录，spark 将显示开始偏移量和结束偏移量增加，但查询 2 的 numInputRows = 0。

运行 env : Local PC - 同样的问题。 Dataproc 集群 - spark-submit --packages

org.apache.spark:spark-sql-kafka-0-10_2.12:2.4.5 --class org.DifferentPartitionSparkStreaming --master yarn --deploy-mode cluster --num-executors 2 --driver-memory 4g - -executor-cores 4 --executor-memory 4g gs://dpl-ingestion-event/jars/stream_consumer-jar-with-dependencies.jar "{"multiple-streaming": [0]}" 最新 "10.wxy :9092,10.r.st:9092,10.abc:9092" "{"multiple-streaming": [1]}" - 同样的问题。

检查点和 output 路径是 Google Bucket。

日志

20/07/24 19:37:27 INFO MicroBatchExecution: Streaming query made progress: {
  "id" : "e7d026f7-bf62-4a86-8697-a95a2fc893bb",
  "runId" : "21169889-6e4b-419d-b338-2d4d61999f5b",
  "name" : "reconcile",
  "timestamp" : "2020-07-24T14:06:55.002Z",
  "batchId" : 2,
  "numInputRows" : 0,
  "inputRowsPerSecond" : 0.0,
  "processedRowsPerSecond" : 0.0,
  "durationMs" : {
    "addBatch" : 3549,
    "getBatch" : 0,
    "getEndOffset" : 1,
    "queryPlanning" : 32,
    "setOffsetRange" : 1,
    "triggerExecution" : 32618,
    "walCommit" : 15821
  },
  "stateOperators" : [ ],
  "sources" : [ {
    "description" : "KafkaV2[Assign[multi-stream1-1]]",
    "startOffset" : {
      "multi-stream1" : {
        "1" : 240
      }
    },
    "endOffset" : {
      "multi-stream1" : {
        "1" : 250
      }
    },
    "numInputRows" : 0,
    "inputRowsPerSecond" : 0.0,
    "processedRowsPerSecond" : 0.0
  } ],
  "sink" : {
    "description" : "FileSink[gs://dpl-ingestion-event/demo/test/single-partition/data]"
  }

Answer 1

我能够解决这个问题。 根本原因是两个查询都试图写入相同的基本路径。 因此，_spark_meta 信息存在重叠。 Spark Structured Streaming 维护检查点以及 _spark_metadata 文件以跟踪正在处理的批处理。

源 Spark 文档：

为了正确处理部分故障，同时保持一次语义，每个批次的文件都被写入一个唯一的目录，然后自动附加到元数据日志中。 当基于 parquet 的 DataSource 被初始化以供读取时，我们首先检查此日志目录并在存在时使用它而不是文件列表。

因此，现在每个查询都应该有一个单独的路径。 与检查点不同，没有配置 _spark_matadata 位置的选项。