spark streaming读取kafka数据令丢失(二)

方式二:
方法二就是每次streaming 消费了kafka的数据后,将消费的kafka offsets更新到zookeeper。当你的程序挂掉或者升级的时候,就可以接着上次的读取,实现数据的零丢失和 at most once。而且使用checkpoint的方式可能会导致数据重复消费,spark streaming维护的offset和zookeeper维护的偏移量不同步导致数据丢失或者重复消费等。那么我们可以在dstream触发action的时候 特别是在output的时候实现offset更新,这样子就能确保已消费的数据能够将offsets更新到zookeeper。好了不多说,直接上代码。

def start(ssc:StreamingContext,
                   brokerList:String,
                   zkConnect:String,
                   groupId:String,
                   topic: String): InputDStream[(String, String)]  ={

    val zkClient = new ZkClient(zkConnect, 60000, 60000, new ZkSerializer {
      override def serialize(data: Object): Array[Byte] = {
        try {
          return data.toString().getBytes("UTF-8")
        } catch {
          case _: ZkMarshallingError => return null
        }
      }
      override def deserialize(bytes: Array[Byte]): Object = {
        try {
          return new String(bytes, "UTF-8")
        } catch {
          case _: ZkMarshallingError => return null
        }
      }
    })
    val kafkaParams = Map("metadata.broker.list" -> brokerList, "group.id" -> groupId,
      "zookeeper.connect"->zkConnect,
      "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString)
    val topics = topic.split(",").toSet
    val broker = brokerList.split(",")(0).split(":")(0)
    val topicDirs = new ZKGroupTopicDirs(groupId, topic)
    val zkTopicPath = s"${topicDirs.consumerOffsetDir}"
    val children = zkClient.countChildren(s"${topicDirs.consumerOffsetDir}")
    var kafkaStream: InputDStream[(String, String)] = null
    var fromOffsets: Map[TopicAndPartition, Long] = Map()
    if (children > 0) {
      val topicList = List(topic)
      val req = new TopicMetadataRequest(topicList,0)
      val getLeaderConsumer = new SimpleConsumer(broker,9092,10000,10000,"OffsetLookup")
      val res = getLeaderConsumer.send(req)
      val topicMetaOption = res.topicsMetadata.headOption
      val partitions = topicMetaOption match{
        case Some(tm) =>
          tm.partitionsMetadata.map(pm=>(pm.partitionId,pm.leader.get.host)).toMap[Int,String]
        case None =>
          Map[Int,String]()
      }
      for (i <- 0 until children) {
        val partitionOffset = zkClient.readData[String](s"$zkTopicPath/${i}")
        val tp = TopicAndPartition(topic, i)
        val requestMin = OffsetRequest(Map(tp -> PartitionOffsetRequestInfo(OffsetRequest.EarliestTime,1)))
        val consumerMin = new SimpleConsumer(partitions(i),9092,10000,10000,"getMinOffset")
        val curOffsets = consumerMin.getOffsetsBefore(requestMin).partitionErrorAndOffsets(tp).offsets
        var nextOffset = partitionOffset.toLong
        if(curOffsets.nonEmpty  && nextOffset < curOffsets.head){
          nextOffset = curOffsets.head
        }
        fromOffsets += (tp -> nextOffset)
        fromOffsets += (tp -> partitionOffset.toLong)
        logger.info(tp.topic+":"+tp.partition +";partitionOffset:"+partitionOffset+"**********"+"nextOffset:"+nextOffset)
      }
      val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.topic, mmd.message())
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](
        ssc, kafkaParams, fromOffsets, messageHandler)
    } else {
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
    }
    var offsetRanges = Array[OffsetRange]()
    kafkaStream.transform { rdd =>
      offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
      rdd
    }.foreachRDD {
      rdd =>
      {
        for (o <- offsetRanges) {
          ZkUtils.updatePersistentPath(zkClient, s"${topicDirs.consumerOffsetDir}/${o.partition}", ````````
.fromOffset.toString)
           }
      }
    }
    kafkaStream
  }
<think>好的,用户现在问的是关于Spark Streaming如何读取Kafka数据。之前他们问过Python操作Kafka,现在可能是在同一个项目或学习路径中进阶到流处理了。我需要先确定他们的背景和需求。 首先,用户可能已经了解Kafka的基本操作,现在想用Spark Streaming进行实时数据处理。要介绍Spark StreamingKafka的集成方法,可能需要对比两种常用的方式:基于Receiver的方法和Direct Approach。不过现在Spark Streaming可能已经更新,需要确认最新的方法。 记得用户之前用的是Python,所以可能需要PySpark的例子。不过Spark Streaming在Python中主要通过PySpark实现,而代码示例可能涉及Scala,但用户可能需要Python版本。要确保提供的代码示例是Python的。 用户可能对集成步骤、依赖库、基本配置和示例代码感兴趣。需要提到必要的Maven或Gradle依赖,但如果是PySpark,可能需要提到相关的包,比如spark-streaming-kafka。不过需要注意,Spark的不同版本对应的包名称可能不同,比如Spark 2.4.x和3.x的区别。 另外,用户可能关心如何设置Kafka参数,比如bootstrap servers、topic、消费者组等。还有如何处理偏移量,确保数据丢失,以及可能的性能优化参数,比如auto.offset.reset,enable.auto.commit等。 可能用户在实际操作中会遇到依赖问题,比如如何正确引入Kafka的库,或者在集群上运行时需要确保所有节点都有相应的jar包。这时候可能需要提醒他们注意版本兼容性,以及提交应用时的--packages选项。 另外,需要提到结构化流(Structured Streaming)的方式,因为Spark已经逐渐转向结构化流API,可能比传统的Spark Streaming更推荐使用。所以应该包括两种方式的示例:传统的Spark Streaming和Structured Streaming。 用户可能还关心数据处理后的输出操作,比如保存到HDFS、数据库或打印到控制台。需要给出保存结果的示例,比如foreachRDD或writeStream的输出模式。 最后,常见问题部分需要包括偏移量管理、容错机制、性能调优,比如分区数、并行度调整,以及可能的错误处理,比如连接超时或反序列化问题。 总结:需要结构清晰,分步骤介绍两种集成方式,提供Python示例,强调版本差异,依赖管理,配置参数,以及常见问题和优化建议。同时注意用户可能的PySpark背景,确保示例代码正确可用。</think>在 Spark Streaming读取 Kafka 数据是实时流处理的常见场景,以下是实现方法及关键步骤: --- ### 一、依赖准备 Spark 提供了两种与 Kafka 集成的 API(需根据 Spark 版本选择): 1. **传统方式(Receiver-based)**(已逐渐淘汰) 2. **Direct Approach(推荐)**:基于 Kafka 的消费者 API,更高效且支持 Exactly-Once 语义。 **Maven/Gradle 依赖**(以 Spark 3.x + Kafka 0.10+ 为例): ```xml <!-- Spark Streaming + Kafka 集成包 --> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka-0-
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值