spark streaming窗口及聚合操作后怎么管理offset

发布时间:2021-12-16 20:27:46 作者:柒染
来源:亿速云 阅读:170

spark streaming窗口及聚合操作后怎么管理offset,针对这个问题,这篇文章详细介绍了相对应的分析和解答,希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

spark streaming经过窗口的集合操作之后,再去管理offset呢?

对于spark streaming来说窗口操作之后,是无法管理offset的,因为offset的存储于HasOffsetRanges,只有kafkaRDD继承了该特质,经过转化的其他RDD都不支持了。所以无法通过其他RDD转化为HasOffsetRanges来获取offset,以便自己管理。

kafkaRDD的继承关系如下:

private[spark] class KafkaRDD[K, V](    sc: SparkContext,    val kafkaParams: ju.Map[String, Object],    val offsetRanges: Array[OffsetRange],    val preferredHosts: ju.Map[TopicPartition, String],    useConsumerCache: Boolean) extends RDD[ConsumerRecord[K, V]](sc, Nil)  with Logging with HasOffsetRanges {

HasOffsetRanges只有kafkaRDD继承了他,所以假如我们对KafkaRDD进行了转化之后就无法再获取offset了。

HasOffsetRanges就是一个OffsetRange的数组:

trait HasOffsetRanges {  def offsetRanges: Array[OffsetRange]}

再看一下,OffsetRange的实现:

spark streaming窗口及聚合操作后怎么管理offset

窗口操作会包含若干批次的RDD数据,窗口操作也往往带有聚合操作,所以KafkaRDD肯定会被转化为其他类型的RDD的,那么之后就无法转化为hasoffsetranges了,也是管理offset变得很麻烦的。

实际上,无论是窗口是否有重叠和包含聚合,其实我们只关心本次处理窗口的kafkardds 的offset范围[fromOffset, toOffset),由于fromOffset是上次提交成功的,那么本次处理完只需要提交的toOffset即可,即使处理失败也可以从fromOffset开始重新处理。也就实现了数据的最少一次处理,假如能与结果一起管理,也可以实现仅一次处理。那么提交offset我们只需要提交最近的那个批次的kafkaRDD的toOffset即可。

那么如何获取最新的kafkaRDD的toOffset呢?

其实,我们只需要在driver端记录kafkardd转化的hasoffsetrange存储的offset即可。

回顾一下,对于spark 来说代码执行位置分为driver和executor,我们希望再driver端获取到offset,等处理完结果后,再提交offset到kafka或者直接与结果一起管理offset。

那么窗口操作之前获取offset方法是什么呢?

就是利用transform操作,完成下面的步骤:

var A:mutable.HashMap[String,Array[OffsetRange]] = new mutable.HashMap()
val offsetRanges = r.asInstanceOf[HasOffsetRanges].offsetRangesA += ("rdd1"->offsetRanges)

上述步骤就完成了,只记录最新kafkardd的hasoffsetranges里存储的offset功能。

总结一下:driver端通过使用transform获取到offset信息,然后在输出操作foreachrdd里面完成offset的提交操作。

package bigdata.spark.SparkStreaming.kafka010
import java.util.Properties
import org.apache.kafka.clients.consumer.{Consumer, ConsumerRecord, KafkaConsumer}import org.apache.kafka.common.TopicPartitionimport org.apache.kafka.common.serialization.StringDeserializerimport org.apache.spark.rdd.RDDimport org.apache.spark.streaming.kafka010._import org.apache.spark.streaming.{Seconds, StreamingContext}import org.apache.spark.{SparkConf, TaskContext}
import scala.collection.JavaConverters._import scala.collection.mutable
object kafka010NamedRDD {   def main(args: Array[String]) {      //    创建一个批处理时间是2s的context 要增加环境变量      val sparkConf = new SparkConf().setAppName("DirectKafkaWordCount").setMaster("local[*]")      val ssc = new StreamingContext(sparkConf, Seconds(5))
    ssc.checkpoint("/opt/checkpoint")
     //    使用broker和topic创建DirectStream      val topicsSet = "test".split(",").toSet      val kafkaParams = Map[String, Object]("bootstrap.servers" -> "mt-mdh.local:9093",        "key.deserializer"->classOf[StringDeserializer],        "value.deserializer"-> classOf[StringDeserializer],        "group.id"->"test4",        "auto.offset.reset" -> "latest",        "enable.auto.commit"->(false: java.lang.Boolean))
    // 没有接口提供 offset      val messages = KafkaUtils.createDirectStream[String, String](        ssc,        LocationStrategies.PreferConsistent,        ConsumerStrategies.Subscribe[String, String](topicsSet, kafkaParams,getLastOffsets(kafkaParams ,topicsSet)))//     var A:mutable.HashMap[String,Array[OffsetRange]] = new mutable.HashMap()
    val trans = messages.transform(r =>{       val offsetRanges = r.asInstanceOf[HasOffsetRanges].offsetRanges       A += ("rdd1"->offsetRanges)       r     }).countByWindow(Seconds(10), Seconds(5))     trans.foreachRDD(rdd=>{       if(!rdd.isEmpty()){         val offsetRanges = A.get("rdd1").get//.asInstanceOf[HasOffsetRanges].offsetRanges
        rdd.foreachPartition { iter =>           val o: OffsetRange = offsetRanges(TaskContext.get.partitionId)           println(s"${o.topic} ${o.partition} ${o.fromOffset} ${o.untilOffset}")         }         println(rdd.count())         println(offsetRanges)         // 手动提交offset ,前提是禁止自动提交         messages.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
      }//       A.-("rdd1")     })      //    启动流      ssc.start()      ssc.awaitTermination()    }  def getLastOffsets(kafkaParams : Map[String, Object],topics:Set[String]): Map[TopicPartition, Long] ={    val props = new Properties()    props.putAll(kafkaParams.asJava)    val consumer = new KafkaConsumer[String, String](props)    consumer.subscribe(topics.asJavaCollection)    paranoidPoll(consumer)    val map = consumer.assignment().asScala.map { tp =>      println(tp+"---" +consumer.position(tp))      tp -> (consumer.position(tp))    }.toMap    println(map)    consumer.close()    map  }  def paranoidPoll(c: Consumer[String, String]): Unit = {    val msgs = c.poll(0)    if (!msgs.isEmpty) {      // position should be minimum offset per topicpartition      msgs.asScala.foldLeft(Map[TopicPartition, Long]()) { (acc, m) =>        val tp = new TopicPartition(m.topic, m.partition)        val off = acc.get(tp).map(o => Math.min(o, m.offset)).getOrElse(m.offset)        acc + (tp -> off)      }.foreach { case (tp, off) =>        c.seek(tp, off)      }    }  }}

关于spark streaming窗口及聚合操作后怎么管理offset问题的解答就分享到这里了,希望以上内容可以对大家有一定的帮助,如果你还有很多疑惑没有解开,可以关注亿速云行业资讯频道了解更多相关知识。

推荐阅读:
  1. Spark Streaming的优化之路—从Receiver到Direct模式
  2. 从 Spark Streaming 到 Apache Flink : 实时数据流在爱奇艺的演进

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

sparkstreaming offset

上一篇:什么是Spark RDD

下一篇:python匿名函数怎么创建

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》