记录下吧 JS 瀑布流

最新推荐文章于 2021-06-04 02:22:23 发布
转载 最新推荐文章于 2021-06-04 02:22:23 发布 · 463 阅读 · 0

博客提供了Wookmark-jQuery项目在GitHub上的链接，该项目可能与jQuery相关技术有关，可通过此链接进一步了解项目详情。
https://github.com/GBKS/Wookmark-jQuery
CRM后台管理系统：HTML+CSS+JavaScript制作企业网站后台管理系统模板网站(46个页面)...
qq_365392777
08-09 3924
CRM后台管理系统：HTML+CSS+JavaScript制作企业网站后台管理系统模板网站(46个页面) 一款使用Bootstrap构建，多个主页版本的企业网站后台管理系统，咨询管理，数据统计后台管理ui框架模板下载。包含多个ui工具包，带企业管理系统ui组件等。支持响应式布局...
jquery 瀑布流实例最流行瀑布流图片展示
七夕情人节表白网页代码100款 HTML5网页设计与制作1120款 Echarts大屏数据150款
08-09 828
jquery masonry与infinitescroll两款瀑布流插件制作当下最流行的瀑布流图片展示实例，通过鼠标滚动图片无限加载的类似瀑布的效果的图片展示。用户可以无限浏览图片或内容无限加载瀑布流效果。 文章目录jquery masonry与infinitescroll两款瀑布流插件制作当下最流行的瀑布流图片展示实例，通过鼠标滚动图片无限加载的类似瀑布的效果的图片展示。用户可以无限浏览图片或内容无限加载瀑布流效果。一、作品演示二、代码目录三、代码实现四、web前端入门到高级(视频+源码+资料+面试)一整
PHP JQUERY JSON 实现瀑布流
weixin_34341229的博客
06-26 256
jquert.html 页面 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html xmlns="http://www.w3.org/1999/xhtml"><head...
再见北理工：忆北京研究生的编程时光
热门推荐
杨秀璋的专栏
09-13 6万+
两年前，我本科毕业写了这样一篇文章：《回忆自己的大学四年得与失》，感慨了自己在北理软院四年的所得所失；两年后，我离开了帝都，回到了贵州家乡，准备开启一段新的教师生涯，在此也写一篇文章纪念下吧！ 还是那句话：这篇文章是写给自己的，希望很多年之后，回想起自己北京的六年时光，也是美好的回忆。文章可能有点长，但希望大家像读小说一样耐心品读，看完之后也能温馨一笑或唏嘘摇头...
Android 上百实例源码分析以及开源分析
http://www.54tianzhisheng.cn/
04-11 1万+
首先 介绍几本书籍(下载包中)吧。 01_Android系统概述 02_Android系统的开发综述 03_Android的Linux内核与驱动程序 04_Android的底层库和程序 05_Android的JAVA虚拟机和JAVA环境 06_Android的GUI系统 07_Android的Audio系统 08_Android的Video 输入输出系统 09_Android的多
Android资源下载
AlienTech for better life!~
03-27 1万+
首先 介绍几本书籍(下载包中)吧。 01_Android系统概述 02_Android系统的开发综述 03_Android的Linux内核与驱动程序 04_Android的底层库和程序 05_Android的JAVA虚拟机和JAVA环境 06_Android的GUI系统 07_Android的Audio系统 08_Android的Video 输入输出
HTML5类选择器使用,CSS选择器种类及使用方法
weixin_28738165的博客
06-04 762
CSS选择器种类及使用方法2018年04月17日|萬仟网IT编程 |我要评论css选择器 有通配符选择器书写格式：*+｛声名块｝ 并集选择器/组合选择器 书写格式;元素或类或id+“”+元素或类或id+“，”+元素或类或id｛声明块｝ 列：h1，h2，h3｛color：red；｝ 层次选择器 ： 子集选择器： 格式:父级元素名称+">"+子...
Appium 使用笔记
weixin_30609331的博客
09-15 638
零、背景 公司最近有个爬虫的项目，先拿小红书下手，但是小红书很多内容 web 端没有，只能用 app 爬，于是了解到 Appium 这个强大的框架，即可以做自动化测试，也可以用来当自动化爬虫。 本文的代码只是一个简单的 spike，没有太多深入的实践。后续如果有深挖，我会来补充的。 一、介绍 Appium 实际上继承了 Selenium（一个流行的 web 浏览器自动化测试框架）， ...
如何运用新技术提升网页速度和性能
weixin_34109408的博客
08-01 178
最近更新了我们的网站，它是经过了设计上的全面验收的。但实际上，作为软件开发者，我们会注重很多技术相关的零碎的东西。我们的目标是控制性能，注重性能，未来可伸展，为网站增添内容是一种乐趣。接着就来告诉你，为什么我们的网站速度比你们的快吧(抱歉，确实是这样的)。 性能设计 在我们的项目中，我们每天都会和设计师和产品负责人讨论关于平衡美观和性能的问题。对于我们自...
如何运用最新的技术提升网页速度和性能
09-06 1920
最近更新了我们的网站，它是经过了设计上的全面验收的。但实际上，作为软件开发者，我们会注重很多技术相关的零碎的东西。我们的目标是控制性能，注重性能，未来可伸展，为网站增添内容是一种乐趣。接着就来告诉你，为什么我们的网站速度比你们的快吧（抱歉，确实是这样的）。 性能设计 在我们的项目中，我们每天都会和设计师和产品负责人讨论关于平衡美观和性能的问题。对于我们自己的网站，这样做是很简单的。简言
ASP.NET仿新浪微博下拉加载更多数据瀑布流效果
10-23
本篇文章介绍了如何实现下拉加载更多数据瀑布流的效果，这种效果最近很流行，文章内容很详细,有需要的小伙伴参考下吧。
WT-JS_DEBUG工具 1.8.3 最新版本.没啥好说的.下吧
05-05
WT-JS_DEBUG工具是专为JavaScript开发者设计的一款调试利器，主要针对的是JavaScript代码的调试工作。1.8.3版本是其最新的更新，通常这样的更新会包含错误修复、性能优化和可能的新功能添加，旨在提升开发者的编程...
绿色键盘记录工具，快来下吧！
03-25
标题中的“绿色键盘记录工具”指的是一个用于监控和记录计算机键盘输入的软件。这类工具通常被称为键盘记录器或键logger，它们能够捕获并存储用户在计算机上敲击的所有按键，以便于事后查看。在安全领域，键盘记录器...
基于 Vue.js 之 iView UI 框架非工程化实践记录(推荐)
10-18
为了快速体验 MVVM 模式，我选择了非工程化方式来起步，并选择使用 Vue.js，以及基于它构建的 iView UI 框架。本文给大家分享基于 Vue.js 之 iView UI 框架非工程化实践记录，需要的朋友参考下吧
遥感监测基于SAR数据的洪水变化检测：Sentinel-1影像阈值分割与多时相合成分析
12-02
内容概要：本文介绍了一项基于SAR（合成开口雷达）数据的洪水变化检测实践任务，重点在于利用Sentinel-1 GRD数据进行灾后监测。文中详细讲解了从数据获取、过滤、合成到变化检测与可视化展示的完整流程。由于SAR数据不受云层和昼夜影响，特别适用于灾害应急响应。通过对比洪水前后两个时间段的SAR影像，采用中值合成去噪、比值法计算变化指数，并通过阈值分割生成二值化的洪涝淹没图，最终在Folium地图中实现叠加可视化。; 适合人群：具备遥感基础知识和Python编程能力，熟悉Google Earth Engine平台操作的科研人员或高年级本科生、研究生；对灾害监测、环境变化分析感兴趣的技术人员；; 使用场景及目标：①掌握SAR数据在洪水等自然灾害监测中的应用方法；②学习如何在Earth Engine中处理Sentinel-1数据并实现变化检测；③构建完整的遥感变化检测分析流程，包括数据预处理、影像合成、阈值分割与结果可视化； 阅读建议：建议读者结合代码实例逐步实践，重点关注filterDate、median合成、divide运算和lt阈值处理等关键步骤的操作逻辑，并注意地理坐标顺序、图层叠加方式等细节问题，确保分析结果准确可靠。
基于Web与物联网的分布式智慧农业环境监测系统源码实现
最新发布
12-02
**项目资料：基于网络与物联网架构的分布式农业环境远程监控系统源代码** 本资料包提供了一套完整的分布式农业环境远程监控系统实现方案，该系统融合了现代网络技术与物联网架构，能够实现对农业生产环境的远程、实时、多节点监测与管理。系统源代码经过全面测试，各项功能运行稳定可靠，可供直接部署或二次开发使用。 该资料适用于计算机科学与技术、人工智能、通信工程、自动化、电子信息工程等相关专业的高校师生、科研人员以及行业技术人员参考学习与实践。对于希望深入理解物联网应用开发、分布式系统设计或智慧农业解决方案的学习者而言，本资料具有较高的参考价值。同时，其完整的项目结构也适用于毕业设计、课程设计、项目实践或作为特定功能模块的开发基础。 使用者可根据自身需求，在现有代码框架上进行功能扩展、算法优化或与其他系统进行集成。我们鼓励基于此代码进行合法的学习、研究与创新应用，并通过技术交流共同促进相关领域的技术发展。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
在AI+时代，地方政府如何利用数字化升级路径重构市场占有率？.docx
12-02
在AI+时代，地方政府如何利用数字化升级路径重构市场占有率？
对比传统方案，新一代技术转移SaaS系统如何为科研院所带来颠覆性变革？.docx
12-02
对比传统方案，新一代技术转移SaaS系统如何为科研院所带来颠覆性变革？
如何通过智能化转型方案重塑服务效率与质量，从而重塑开拓全新增长点？.docx
12-02
如何通过智能化转型方案重塑服务效率与质量，从而重塑开拓全新增长点？
完整提供下吧
11-18
<think> 我们想要在`writeToMysql`出现异常时，阻止`saveOffsetToMysql`的执行。在Spark Streaming的foreachRDD中，我们可以通过控制执行流程来实现。 在当前的代码中，`writeToMysql`和`saveOffsetToMysql`是顺序执行的，我们需要在`writeToMysql`出现异常时跳过`saveOffsetToMysql`。同时，我们可能还希望整个RDD处理失败，这样Spark Streaming会重试这个批次（如果设置了重试）。 有两种方式： 1. 在`foreachRDD`中使用try-catch，当`writeToMysql`出现异常时，捕获异常并直接返回，不再执行后续的偏移量保存。同时，可以选择抛出异常让Spark知道这个批次处理失败，从而重试。 2. 将两个操作放在一个事务中（如果它们都使用同一个数据库连接），这样其中一个失败就可以回滚。但是这里一个是业务数据，一个是偏移量，可能不在同一个数据库，或者即使在同一数据库，也可能因为表不同而难以事务管理。 考虑到简单性和当前代码结构，我们采用第一种方式：使用try-catch来控制流程。 修改后的`foreachRDD`代码段如下： ```scala kafkaInputDstream.foreachRDD { rdd => // 获取偏移量 val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges try { // 尝试写入MySQL（这里调用你的写入方法，注意：writeToMysql方法需要接受一个RDD参数） // 注意：当前代码中writeToMysql方法接受的是DStream，但我们需要在foreachRDD中处理RDD，所以这里需要调整writeToMysql方法，使其处理RDD // 假设我们调整了writeToMysql方法，现在它可以处理RDD SqlUtils.writeToMysql(rdd) // 这里需要调整，原方法可能是处理DStream，现在我们需要处理RDD // 如果没有异常，则保存偏移量 SqlUtils.saveOffsetToMysql(offsetRanges, conf.getString("kafka.group.id")) // 提交kafka偏移量（注意：我们使用了手动提交偏移量到kafka，但这里我们只保存到mysql？根据你的代码，你同时做了两件事：保存到mysql和提交到kafka） // 你的代码中同时保存到mysql并提交到kafka，那么这里我们也要在成功后提交到kafka kafkaInputDstream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges) } catch { case e: Exception => // 记录异常日志 e.printStackTrace() // 这里可以选择抛出异常，让Spark Streaming重试这个批次（根据配置的重试策略） throw e } } ``` 但是，注意原代码中`writeToMysql`方法接收的是`DStream`，现在我们将其改为处理`RDD`。因此，我们需要修改`SqlUtils.writeToMysql`方法，让它能够处理`RDD[(String, String)]`。 原代码中`writeToMysql`方法可能是这样的： ```scala object SqlUtils { def writeToMysql(dstream: DStream[(String, String)]): Unit = { // 遍历DStream中的每个RDD dstream.foreachRDD { rdd => // 对每个RDD进行处理并写入MySQL rdd.foreachPartition { partition => // 获取数据库连接 // 遍历partition写入 } } } } ``` 我们需要将其改为处理一个RDD，然后在这个RDD上操作： ```scala object SqlUtils { def writeToMysql(rdd: RDD[(String, String)]): Unit = { rdd.foreachPartition { partition => // 写入MySQL逻辑 } } } ``` 这样修改后，我们就可以在`foreachRDD`中调用`SqlUtils.writeToMysql(rdd)`。 另外，注意原代码中`sourceData`是一个DStream，而`SqlUtils.writeToMysql(sourceData)`是在DStream上操作的。现在我们将写入操作移到了`kafkaInputDstream.foreachRDD`中，并且使用的是`kafkaInputDstream`转换后的`sourceData`的RDD。但是，这里我们并没有直接使用`sourceData`的RDD，而是使用了原始的`rdd`（即kafkaInputDstream的RDD）。这显然不对，因为我们需要写入的是经过转换后的数据。 因此，我们需要重新组织代码。有两种方式： 方式一：在`foreachRDD`中，先对RDD进行转换（即原`sourceData`的转换逻辑），然后对这个转换后的RDD进行写入。 方式二：将转换后的DStream（即`sourceData`）进行`foreachRDD`操作，然后在其中处理。 我们选择方式二，因为这样逻辑更清晰。但是原代码中`sourceData`是经过转换得到的DStream，然后我们对其调用`SqlUtils.writeToMysql`。现在，我们不再在`sourceData`上调用`writeToMysql`，而是将整个处理逻辑移到`sourceData.foreachRDD`中，并在那里处理偏移量。 因此，我们可以这样调整： 1. 将偏移量保存和提交的操作移到`sourceData.foreachRDD`中（因为我们需要使用转换后的数据，而偏移量还是从原始kafkaInputDstream中获取，所以这里需要同时处理两个RDD？） 注意：我们不能直接使用`sourceData`的RDD来获取偏移量，因为`sourceData`是转换后的DStream，不包含原始偏移量信息。原始偏移量信息在`kafkaInputDstream`的RDD中。 所以，我们需要同时操作两个DStream？或者我们可以将偏移量信息通过转换传递下去？ 实际上，Spark Streaming保证每个批次中，`kafkaInputDstream`的RDD和由它转换得到的`sourceData`的RDD是在同一个批次中。因此，我们可以在同一个`foreachRDD`中处理原始RDD（获取偏移量）和转换后的RDD（写入数据）。 修改步骤： 1. 将`sourceData`的转换逻辑放在`kafkaInputDstream.foreachRDD`里面，这样我们就可以同时访问原始RDD（用于获取偏移量）和转换后的RDD（用于写入数据）。 2. 或者，我们可以将偏移量信息添加到转换后的RDD中，这样在`sourceData.foreachRDD`中就可以同时使用数据与偏移量。但是这样会增加数据传输量。 这里我们采用第一种方式：在同一个`foreachRDD`中处理。 修改后的代码结构如下： ```scala val kafkaInputDstream: InputDStream[ConsumerRecord[String, Array[Byte]]] = ... // 创建DStream kafkaInputDstream.foreachRDD { rdd => // 获取偏移量 val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges // 进行转换：将原始RDD[ConsumerRecord]转换为RDD[(String, String)]，即原sourceData的转换逻辑 val transformedRDD: RDD[(String, String)] = rdd.map { record => // 这里将record转换为(sourceDataKey, jsonString) // 复制原sourceData的转换逻辑 val fraud = record val fraudInvestigation: ClaimFraudInvestigationBean = DeserializationUtil.deserialize(ByteBuffer.wrap(fraud.value()), classOf[ClaimFraudInvestigationBean], false) // ... 后续转换逻辑，和原sourceData一样 (sourceDataKey, mapper.writeValueAsString(kafkaData)) } try { // 将转换后的RDD写入MySQL SqlUtils.writeToMysql(transformedRDD) // 注意：这个方法现在接收RDD // 保存偏移量到MySQL SqlUtils.saveOffsetToMysql(offsetRanges, conf.getString("kafka.group.id")) // 提交偏移量到Kafka kafkaInputDstream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges) } catch { case e: Exception => e.printStackTrace() throw e // 抛出异常，Spark会重试这个批次 } } ``` 这样，我们就将转换和写入放在同一个`foreachRDD`中，并且通过try-catch控制：当写入MySQL出现异常时，偏移量保存和提交都不会执行。 但是，注意：原代码中`sourceData`除了用于写入MySQL外，还用于`sourceData.foreachRDD(rdd => rdd.repartition(sparkPartitionNumber).saveAsHadoopFile(...))`。如果还要保留这个写S3的操作，那么需要在这个try块中同时执行，或者考虑别的处理方式。 由于原代码中写S3的操作和写MySQL的操作是独立的，现在如果我们要保证写MySQL失败时也不写S3，那么我们可以将写S3的操作也放在try块中，在写MySQL之后执行（或者并行执行，但异常处理会复杂）。 但是，根据需求，我们只关心在写MySQL失败时不要提交偏移量，而写S3失败时可能也需要同样的处理。这里我们假设写S3和写MySQL是同等重要的，任意一个失败都需要重试整个批次。那么我们可以将两个写操作都放在try块中。 修改后的try块： ```scala try { // 将转换后的RDD写入MySQL SqlUtils.writeToMysql(transformedRDD) // 将转换后的RDD写入S3 transformedRDD.repartition(sparkPartitionNumber).saveAsHadoopFile(savePath, classOf[String], classOf[String], classOf[RDDMultipleTextOutputFormat]) // 保存偏移量到MySQL SqlUtils.saveOffsetToMysql(offsetRanges, conf.getString("kafka.group.id")) // 提交偏移量到Kafka kafkaInputDstream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges) } catch { case e: Exception => e.printStackTrace() throw e } ``` 这样，任何一个写操作失败，都会跳过偏移量保存和提交，并抛出异常。 但是，注意：`saveAsHadoopFile`是一个行动操作，它会触发整个RDD的计算。而`SqlUtils.writeToMysql`中也有行动操作（如`foreachPartition`）。这样，同一个RDD被计算了两次，这会导致重复计算（因为转换RDD的map操作会被执行两次）。为了避免重复计算，我们可以对`transformedRDD`进行缓存： ```scala try { transformedRDD.cache() // 缓存，避免重复计算 // 写MySQL SqlUtils.writeToMysql(transformedRDD) // 写S3 transformedRDD.repartition(sparkPartitionNumber).saveAsHadoopFile(savePath, classOf[String], classOf[String], classOf[RDDMultipleTextOutputFormat]) ... // 偏移量操作 } finally { transformedRDD.unpersist() // 释放缓存 } ``` 但是要注意，如果数据量很大，缓存可能会占用较多内存。另外，在异常情况下也需要释放缓存，所以放在finally块中。 另外，原代码中还有一个写S3的操作，它使用了`RDDMultipleTextOutputFormat`，这个操作也是行动操作。 总结一下修改步骤： 1. 将`sourceData`的转换逻辑移到`kafkaInputDstream.foreachRDD`内部，得到`transformedRDD`。 2. 缓存`transformedRDD`，然后依次执行写MySQL、写S3（这两个行动操作）。 3. 在成功执行上述操作后，保存偏移量并提交到Kafka。 4. 使用try-catch包围这些操作，一旦出现异常就抛出，确保不执行偏移量操作。 5. 在finally块中释放缓存的RDD。 但是，写S3的操作可能会失败，比如网络问题。如果写MySQL成功，但写S3失败，那么偏移量不会被提交，下次会重试，这会导致MySQL中重复写入。为了避免重复写入，我们需要保证写入MySQL的操作是幂等的，或者将两个写操作放在一个事务中（这很难，因为是不同的存储系统）。 因此，我们需要权衡。如果业务允许，可以只保证关键操作（如写MySQL）的幂等性，或者将写S3改为不影响整体一致性的操作（比如可以重试且不会重复）。 由于原问题只要求写MySQL失败时不提交偏移量，而写S3失败时我们可能也希望重试，所以这样处理是符合要求的。 最终代码调整如下（伪代码）： ```scala kafkaInputDstream.foreachRDD { rdd => val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges // 转换RDD val transformedRDD = rdd.map { record => ... } // 原sourceData的转换 // 缓存 transformedRDD.cache() try { // 1. 写入MySQL SqlUtils.writeToMysql(transformedRDD) // 2. 写入S3（原代码中的saveAsHadoopFile） transformedRDD.repartition(sparkPartitionNumber) .saveAsHadoopFile(savePath, classOf[String], classOf[String], classOf[RDDMultipleTextOutputFormat]) // 3. 保存偏移量到MySQL SqlUtils.saveOffsetToMysql(offsetRanges, conf.getString("kafka.group.id")) // 4. 提交偏移量到Kafka kafkaInputDstream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges) } catch { case e: Exception => // 记录异常并抛出，Spark会重试这个批次 // 注意：这里抛出的异常会导致整个应用程序失败，但因为我们设置了重试，所以Spark会重试这个批次 // 另外，也可以选择不抛出，而是记录错误并管理错误记录，但偏移量不会提交，下次会重试 e.printStackTrace() throw e } finally { transformedRDD.unpersist() // 释放缓存 } } ``` 这样，无论写入MySQL还是S3失败，都不会执行保存偏移量和提交偏移量，并且会抛出异常导致任务失败，从而触发重试。 注意：重试可能会导致数据重复写入，所以要求写入操作是幂等的。 另外，原代码中`SqlUtils.writeToMysql`方法现在需要接收`RDD[(String, String)]`，我们需要修改这个方法，将其内部改为对RDD的操作（比如使用`foreachPartition`写入）。 修改`SqlUtils.writeToMysql`方法： ```scala object SqlUtils { def writeToMysql(rdd: RDD[(String, String)]): Unit = { rdd.foreachPartition { partition => // 获取数据库连接 val conn = ... // 获取连接 try { partition.foreach { case (key, value) => // 将数据写入MySQL // 注意：这里需要将value（json字符串）解析并写入 } } finally { conn.close() } } } } ``` 同样的，原代码中`SqlUtils.writeToMysql`方法可能已经实现了类似逻辑，但之前是针对DStream的，现在改为针对RDD。 最后，由于我们不再使用`sourceData`这个DStream，所以原来对`sourceData`的操作（如写S3）也要整合到上面的`foreachRDD`中。 因此，我们删除原来对`sourceData`的操作（即删除`sourceData.foreachRDD(...)`和`SqlUtils.writeToMysql(sourceData)`），全部整合到`kafkaInputDstream.foreachRDD`中。 综上所述，我们重构了代码，将整个处理逻辑放在一个`foreachRDD`中，并通过try-catch控制异常情况下的偏移量提交。 注意：由于我们将多个操作（转换、写MySQL、写S3）放在一个foreachRDD中，并且有多个行动操作，所以要考虑性能问题（缓存RDD避免重复计算）。 另外，需要确保`transformedRDD.unpersist()`在finally块中执行，避免内存泄漏。 如果写S3和写MySQL的操作顺序可以交换，且没有依赖关系，也可以考虑并行执行，但这里为了简单，我们顺序执行。 最后，由于我们使用了`throw e`抛出异常，这会导致Spark任务失败，从而触发重试机制。根据Spark的配置，重试次数由`spark.task.maxFailures`等参数控制。如果重试多次仍然失败，任务会终止，需要人工干预。 以上修改可以满足需求：当`writeToMysql`出现异常时，`saveOffsetToMysql`不会执行。 </think> 在 Spark Streaming 中实现当 `writeToMysql` 失败时阻止 `saveOffsetToMysql` 执行，需要通过异常处理和流程控制来保证原子性操作。以下是完整的解决方案： ### 解决方案：使用 try-catch 控制执行流程 ```scala kafkaInputDstream.foreachRDD { rdd => val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges try { // 1. 执行数据写入（关键业务操作） SqlUtils.writeToMysql(sourceData) // 2. 只有writeToMysql成功时才执行偏移量保存 SqlUtils.saveOffsetToMysql(offsetRanges, conf.getString("kafka.group.id")) // 3. 提交kafka偏移量 kafkaInputDstream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges) } catch { case e: Exception => // 记录详细错误日志 println(s"MySQL写入失败: ${e.getMessage}") e.printStackTrace() // 可选：将错误数据写入死信队列 // deadLetterQueue.send(rdd) // 抛出异常终止当前批次处理 throw new RuntimeException("MySQL写入失败，终止处理流程", e) } } ``` ### 关键优化点 1. **原子性操作保证**： ```scala try { writeToMysql() // 必须成功 saveOffsetToMysql() // 条件执行 } catch { // 异常处理 } ``` 2. **错误处理增强**： ```scala case e: SQLException => logger.error("数据库操作失败", e) // 标记失败指标 metrics.counter("mysql.failures").inc() throw e ``` 3. **重试机制配置**（在 SparkConf 中）： ```scala .set("spark.task.maxFailures", "3") // 任务重试3次 .set("spark.stage.maxConsecutiveTaskFailures", "2") // Stage重试2次 ``` 4. **资源清理保障**： ```scala finally { // 确保数据库连接关闭 SqlUtils.cleanupResources() } ``` ### 执行流程说明 1. **正常流程**： ``` writeToMysql → 成功 → saveOffsetToMysql → commitAsync ``` 2. **异常流程**： ``` writeToMysql → 失败 → 记录日志 → 抛出异常 → saveOffsetToMysql跳过 ↘ 偏移量保持未提交 → Spark自动重试 ``` ### 注意事项 1. **幂等性设计**： - MySQL 写入操作需要支持幂等性（如使用 `ON DUPLICATE KEY UPDATE`） - 确保相同数据重复处理不会产生副作用 2. **偏移量管理原则**： - 偏移量提交必须在数据成功处理后执行 - 失败时偏移量保持未提交状态，Spark 会自动重试相同数据[^2] 3. **性能考虑**： - 批量写入 MySQL 而非逐条写入 - 使用连接池管理数据库连接 - 监控批次处理时间避免超时 ```scala // 批量写入示例 rdd.foreachPartition { partition => val conn = DataSource.getConnection val batchSize = 500 val stmt = conn.prepareStatement(insertSQL) partition.grouped(batchSize).foreach { batch => batch.foreach { record => stmt.setString(1, record._1) stmt.setString(2, record._2) stmt.addBatch() } stmt.executeBatch() // 批量提交 } } ``` ### 事务方案（高级） 如果需要更强的一致性保证，可以使用分布式事务： ```scala def executeTransactional(rdd: RDD[_], offsets: Array[OffsetRange]): Unit = { val conn = MysqlUtil.getConnection try { conn.setAutoCommit(false) // 1. 业务数据写入 writeToMysql(rdd, conn) // 2. 偏移量保存到同一数据库 saveOffsetsToMysql(offsets, conn) conn.commit() } catch { case e: Exception => conn.rollback() throw e } finally { conn.close() } } ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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