Spark Streaming 調整每個批次大小的記錄數不起作用？

Question

我的 Spark 流應用程序正在使用 DStream 方法從 kafka 讀取數據，並且我試圖讓批處理大小在 10 秒內處理 60,000 條消息。

我所做的，

• 創建了一個有 3 個分區的主題
• spark.streaming.kafka.maxRatePerPartition = 60000
• spark.streaming.backpressure.enabled = true
• 創建 StreamingContext 時將批處理持續時間設置為 10 秒
• 使用 2 個執行程序以紗線模式運行（3 個分區共 4 個內核）

現在我如何測試這是否有效。

我有一個生產者，一次向該主題發送 60,000 條消息。 當我檢查 spark UI 時，我得到以下信息：

 batch time | Input size | processing time
 10:54:30   | 17610      | 5s
 10:54:20   | 32790      | 8s
 10:54:10   | 9600       | 3s

所以每批時間間隔10秒。 我期望的是 1 批 60,000 條記錄。 還有其他一些我沒有設置的參數嗎？ 從我讀到的關於我目前設置的內容來看，我應該在一個批次中獲得 10 * 60,000 * 3 = 1800000。

spark.app.id  = application_1551747423133_0677

spark.app.name = KafkaCallDEV

spark.driver.cores = 2

spark.driver.extraJavaOptions   = -XX:+UseG1GC -XX:ConcGCThreads=2
-XX:InitiatingHeapOccupancyPercent=35 -Dlog4j.configuration=log4j.properties -verbose:gc

spark.driver.memory = 3g

spark.driver.port   = 33917

spark.executor.cores = 2

spark.executor.extraJavaOptions = -XX:+UseG1GC -XX:ConcGCThreads=2
-XX:InitiatingHeapOccupancyPercent=35 -Dlog4j.configuration=log4j.properties -verbose:gc

spark.executor.id   = driver

spark.executor.instances    = 2

spark.executor.memory   = 2g

spark.master    = yarn

spark.scheduler.mode    = FIFO

spark.streaming.backpressure.enabled    = true

spark.streaming.kafka.maxRatePerPartition = 60000

spark.submit.deployMode = cluster

spark.ui.filters    = org.apache.hadoop.yarn.server.webproxy.amfilter.AmIpFilter

spark.ui.port = 0

spark.yarn.app.container.log.dir = /data0/yarn/container-logs/application_1551747423133_0677/container_1551747423133_0677_01_000002 

下面是我打印出來的使用

logger.info(sparkSession.sparkContext.getConf.getAll.mkString("\n"))

我刪除了一些不必要的日志，如服務器地址、應用程序名稱等。

(spark.executor.extraJavaOptions,-XX:+UseG1GC -XX:ConcGCThreads=2

-XX:InitiatingHeapOccupancyPercent=35 -Dlog4j.configuration=log4j.properties -verbose:gc) (spark.yarn.app.id,application_1551747423133_0681)

(spark.submit.deployMode,cluster)

(spark.streaming.backpressure.enabled,true)

(spark.yarn.credentials.renewalTime,1562764821939ms)

(spark.ui.filters,org.apache.hadoop.yarn.server.webproxy.amfilter.AmIpFilter)

(spark.executor.memory,2g) 

(spark.yarn.credentials.updateTime,1562769141873ms)

(spark.driver.cores,2) 

(spark.executor.id,driver)

(spark.executor.cores,2)

(spark.master,yarn)

(spark.driver.memory,3g)

(spark.sql.warehouse.dir,/user/hive/warehouse) 

(spark.ui.port,0)

(spark.driver.extraJavaOptions,-XX:+UseG1GC -XX:ConcGCThreads=2
-XX:InitiatingHeapOccupancyPercent=35 -Dlog4j.configuration=log4j.properties -verbose:gc) 

(spark.executor.instances,2)

(spark.driver.port,37375)

我還有一些正在打印的 Kafka 配置，所以我也會在下面發布這些配置。

    org.apache.kafka.clients.consumer.ConsumerConfig:178 - ConsumerConfig values: 
        metric.reporters = []
        metadata.max.age.ms = 300000
        partition.assignment.strategy = [org.apache.kafka.clients.consumer.RangeAssignor]
        reconnect.backoff.ms = 50
        sasl.kerberos.ticket.renew.window.factor = 0.8
        max.partition.fetch.bytes = 1048576
        ssl.keystore.type = JKS
        enable.auto.commit = false
        sasl.mechanism = GSSAPI
        interceptor.classes = null
        exclude.internal.topics = true
        ssl.truststore.password = null
        client.id = 
        ssl.endpoint.identification.algorithm = null
        max.poll.records = 60000
        check.crcs = true
        request.timeout.ms = 40000
        heartbeat.interval.ms = 3000
        auto.commit.interval.ms = 5000
        receive.buffer.bytes = 65536
        ssl.truststore.type = JKS
        ssl.truststore.location = null
        ssl.keystore.password = null
        fetch.min.bytes = 1
        send.buffer.bytes = 131072
        value.deserializer = class org.apache.kafka.common.serialization.StringDeserializer
        retry.backoff.ms = 100
        ssl.secure.random.implementation = null
        sasl.kerberos.kinit.cmd = /usr/bin/kinit
        sasl.kerberos.service.name = null
        sasl.kerberos.ticket.renew.jitter = 0.05
        ssl.trustmanager.algorithm = PKIX
        ssl.key.password = null
        fetch.max.wait.ms = 500
        sasl.kerberos.min.time.before.relogin = 60000
        connections.max.idle.ms = 540000
        session.timeout.ms = 30000
        metrics.num.samples = 2
        key.deserializer = class org.apache.kafka.common.serialization.StringDeserializer
        ssl.protocol = TLS
        ssl.provider = null
        ssl.enabled.protocols = [TLSv1.2, TLSv1.1, TLSv1]
        ssl.keystore.location = null
        ssl.cipher.suites = null
        security.protocol = PLAINTEXT
        ssl.keymanager.algorithm = SunX509
        metrics.sample.window.ms = 30000
        auto.offset.reset = latest

Answer 1

spark.streaming.kafka.maxRatePerPartition = 60000 意味着

此直接 API 將讀取每個 Kafka 分區的最大速率（以每秒消息數為單位），該 API 將通過屬性spark.streaming.backpressure.enabled = true啟用

17610 + 32790 + 9600 = 60000您的批量大小已達到。

---

看到這個

您的 3 個 kafka 分區（有 60k 條消息）由 spark 以塊/spark 分區的形式讀取，在您的情況下，是 spark 的 3 個分區。 但 3 個 kafka 分區中的原始消息數為 60000 (17610 + 32790 + 9600)。 即使是高消息速率輸入流也將使用RateLimiter和PIDRateEstimator保持統一的消息速率

所以你在這里完成了......

進一步參考我的帖子 -關於 Spark Streaming Back Pressure 的簡短說明，以便更好地理解

結論：如果您啟用背壓，則無論您發送消息的速率如何。 它將允許恆定的消息速率

像這個說明性的一般示例......其中背壓屬性就像流入控制 - 壓力調節螺釘以保持消息流的均勻速率。

Answer 2

所以我找到了 Spark 將我發送的一批記錄分成多批的原因。 我有spark.streaming.backpressure.enabled = true 。 這使用來自先前批次的反饋循環來控制接收速率，該接收速率上限為我在spark.streaming.kafka.maxRatePerPartition設置的每個分區的最大速率。 所以 spark 正在為我調整接收率。