SparkStream实践 ,Partition打印length时的误区

最新推荐文章于 2022-10-26 09:57:40 发布

原创最新推荐文章于 2022-10-26 09:57:40 发布 · 267 阅读

0 ·

CC 4.0 BY-SA版权

hadoop 同时被 3 个专栏收录

3 篇文章

订阅专栏

spark

2 篇文章

订阅专栏

RDD

2 篇文章

订阅专栏

本文探讨了使用Spark Streaming消费Kafka数据时遇到的一个奇特现象：在遍历分区时，直接打印分区长度会导致数据被消费，进而影响后续的foreach操作。这一现象值得深入研究和注意。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

val stream = KafkaUtils.createDirectStream[String, String](ssc, PreferConsistent, Subscribe[String, String](topic, kafkaParam))
stream.foreachRDD(rdd => {
  rdd.foreachPartition(partitionOfRecords => {
    println("打印分区的长度:"+partitionOfRecords.length)
    partitionOfRecords.foreach(record => {
      val records = record.value().split("\t")
    })
  })
})

如代码所示，SparkStream消费Kafka时，在遍历分区（partitionOfRecords ），如果直接打印分区(partitionOfRecords )长度

其内部的数据同时会这被消费掉。以至于把foreach时遍历不出来。这是一个很奇怪的现像。值得大家引起重视