我正在尝试开发一个小的spark应用程序(使用scala)来读取来自kafka的消息(合流)并将它们写入hive表。除了一个重要的特性——在重新启动(提交)应用程序时管理偏移量外,其他一切都按预期工作。我很困惑。
从我的代码中删除:
def main(args: Array[String]): Unit = {
val sparkSess = SparkSession
.builder
.appName("Kafka_to_Hive")
.config("spark.sql.warehouse.dir", "/user/hive/warehouse/")
.config("hive.metastore.uris", "thrift://localhost:9083")
.config("hive.exec.dynamic.partition", "true")
.config("hive.exec.dynamic.partition.mode", "nonstrict")
.enableHiveSupport()
.getOrCreate()
sparkSess.sparkContext.setLogLevel("ERROR")
// don't consider this code block please, it's just a part of Confluent avro message deserializing adventures
sparkSess.udf.register("deserialize", (bytes: Array[Byte]) =>
DeserializerWrapper.deserializer.deserialize(bytes)
)
val kafkaDataFrame = sparkSess
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", 'localhost:9092')
.option("group.id", 'kafka-to-hive-1')
// ------> which Kafka options do I need to set here for starting from last right offset to ensure completenes of data and "exactly once" writing? <--------
.option("failOnDataLoss", (false: java.lang.Boolean))
.option("subscribe", 'some_topic')
.load()
import org.apache.spark.sql.functions._
// don't consider this code block please, it's just a part of Confluent avro message deserializing adventures
val valueDataFrame = kafkaDataFrame.selectExpr("""deserialize(value) AS message""")
val df = valueDataFrame.select(
from_json(col("message"), sparkSchema.dataType).alias("parsed_value"))
.select("parsed_value.*")
df.writeStream
.foreachBatch((batchDataFrame, batchId) => {
batchDataFrame.createOrReplaceTempView("`some_view_name`")
val sqlText = "SELECT * FROM `some_view_name` a where some_field='some value'"
val batchDataFrame_view = batchDataFrame.sparkSession.sql(sqlText);
batchDataFrame_view.write.insertInto("default.some_hive_table")
})
.option("checkpointLocation", "/user/some_user/tmp/checkpointLocation")
.start()
.awaitTermination()
}
问题(这些问题相互关联):
我需要申请哪些Kafka选项 readStream.format("kafka")
从spark应用程序每次提交的最后一个右偏移开始?
我是否需要手动读取checkpointlocation/offsets/latest\批处理文件的第3行,以查找要从kafka读取的最后一个偏移?我的意思是: readStream.format("kafka").option("startingOffsets", """{"some_topic":{"2":35079,"5":34854,"4":35537,"1":35357,"3":35436,"0":35213}}""")
阅读Kafka(合流)主题中的流的正确/方便的方法是什么(我没有考虑(Kafka的引擎)
1条答案
按热度按时间u5rb5r591#
“我需要在readstream.format(“kafka”)上应用哪些kafka选项,以便在每次提交spark应用程序时从最后一个右偏移开始?”
你需要设置
startingOffsets=latest
清理检查点文件。“我是否需要手动读取checkpointlocation/offsets/latest\批处理文件的第3行,以查找要从kafka读取的最后一个偏移?我的意思是:readstream.format(“kafka”).option(“startingoffsets”,“{”some\u topic“:{”2“:35079”,5“:34854”,4“:35537”,1“:35357”,3“:35436”,0“:35213}}”“)”
与第一个问题类似,如果将startingoffset设置为json字符串,则需要删除检查点文件。否则,spark应用程序将始终获取存储在检查点文件中的信息,并覆盖
startingOffsets
选项。“阅读Kafka(合流)主题中的流的正确/方便的方式是什么(我没有考虑“Kafka的引擎”
询问“正确的方法”可能会得到基于意见的答案,因此在stackoverflow上是离题的。不管怎样,以我的经验来看,使用spark结构化流媒体已经是一种成熟的、适合生产的方法。然而,Kafka康奈克的研究也总是值得的。