![](/img/trans.png)
[英]In Spark Structured streaming with Kafka, how spark manages offset for multiple topics
[英]Running multiple Spark Kafka Structured Streaming queries in same spark session increasing the offset but showing numInputRows 0
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]"
}
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.