在同一个 Spark 会话中运行多个 Spark Kafka 结构化流查询会增加偏移量但显示 numInputRows 0
Posted
技术标签:
【中文标题】在同一个 Spark 会话中运行多个 Spark Kafka 结构化流查询会增加偏移量但显示 numInputRows 0【英文标题】:Running multiple Spark Kafka Structured Streaming queries in same spark session increasing the offset but showing numInputRows 0 【发布时间】:2020-07-24 14:18:59 【问题描述】:我有一个 Spark Structured Streaming 消费来自 Kafka 主题的记录,有 2 个分区。
Spark Job: 2 个查询,每个查询来自 2 个单独的分区,从同一个 spark 会话运行。
val df1 = session.readStream.format("kafka")
.option("kafka.bootstrap.servers", kafkaBootstrapServer)
.option("assign", "\"multi-stream1\" : [0]")
.option("startingOffsets", latest)
.option("key.deserializer", classOf[StringDeserializer].getName)
.option("value.deserializer", classOf[StringDeserializer].getName)
.option("max.poll.records", 500)
.option("failOnDataLoss", true)
.load()
val query1 = df1
.select(col("key").cast("string"),from_json(col("value").cast("string"), schema, Map.empty[String, String]).as("data"))
.select("key","data.*")
.writeStream.format("parquet").option("path", path).outputMode("append")
.option("checkpointLocation", checkpoint_dir1)
.partitionBy("key")/*.trigger(Trigger.ProcessingTime("5 seconds"))*/
.queryName("query1").start()
val df2 = session.readStream.format("kafka")
.option("kafka.bootstrap.servers", kafkaBootstrapServer)
.option("assign", "\"multi-stream1\" : [1]")
.option("startingOffsets", latest)
.option("key.deserializer", classOf[StringDeserializer].getName)
.option("value.deserializer", classOf[StringDeserializer].getName)
.option("max.poll.records", 500)
.option("failOnDataLoss", true)
.load()
val query2 = df2.select(col("key").cast("string"),from_json(col("value").cast("string"), schema, Map.empty[String, String]).as("data"))
.select("key","data.*")
.writeStream.format("parquet").option("path", path).outputMode("append")
.option("checkpointLocation", checkpoint_dir2)
.partitionBy("key")/*.trigger(Trigger.ProcessingTime("5 seconds"))*/
.queryName("query2").start()
session.streams.awaitAnyTermination()
问题:每次在两个分区中推送记录时,两个查询都显示进度,但只有一个正在发出输出。我可以看到那些记录已处理的查询的输出。例如,Kafka Partition 0 - 记录被推送,spark 将处理 query1。 Kafka Partition 1 - query1 忙于处理时推送记录,spark 将显示起始偏移量和结束偏移量递增,但查询 2 的 numInputRows = 0。
运行环境:本地 PC - 同样的问题。 Dataproc 集群 - spark-submit --packages
org.apache.spark:spark-sql-kafka-0-10_2.12:2.4.5 --class org.DifferentPartitionSparkStreaming --master yarn --deploy-mode 集群 --num-executors 2 --driver-memory 4g --executor-cores 4 --executor-memory 4g gs://dpl-ingestion-event/jars/stream_consumer-jar- with-dependencies.jar ""multiple-streaming" : [0]" 最新 “10.w.x.y:9092,10.r.s.t:9092,10.a.b.c:9092”““多流”: [1]" - 同样的问题。
检查点和输出路径是 Google Bucket。
日志
20/07/24 19:37:27 INFO MicroBatchExecution: Streaming query made progress:
"id" : "e7d026f7-bf62-4a86-8697-a95a2fc893bb",
"runId" : "21169889-6e4b-419d-b338-2d4d61999f5b",
"name" : "reconcile",
"timestamp" : "2020-07-24T14:06:55.002Z",
"batchId" : 2,
"numInputRows" : 0,
"inputRowsPerSecond" : 0.0,
"processedRowsPerSecond" : 0.0,
"durationMs" :
"addBatch" : 3549,
"getBatch" : 0,
"getEndOffset" : 1,
"queryPlanning" : 32,
"setOffsetRange" : 1,
"triggerExecution" : 32618,
"walCommit" : 15821
,
"stateOperators" : [ ],
"sources" : [
"description" : "KafkaV2[Assign[multi-stream1-1]]",
"startOffset" :
"multi-stream1" :
"1" : 240
,
"endOffset" :
"multi-stream1" :
"1" : 250
,
"numInputRows" : 0,
"inputRowsPerSecond" : 0.0,
"processedRowsPerSecond" : 0.0
],
"sink" :
"description" : "FileSink[gs://dpl-ingestion-event/demo/test/single-partition/data]"
【问题讨论】:
【参考方案1】:我能够解决问题。 根本原因是两个查询都试图写入相同的基本路径。因此,_spark_meta 信息存在重叠。 Spark Structured Streaming 维护检查点以及 _spark_metadata 文件以跟踪正在处理的批处理。
源 Spark 文档:
为了正确处理部分故障同时保持一次 语义上,每个批次的文件都写到一个唯一的 目录,然后自动附加到元数据日志。当一个 parquet based DataSource 被初始化为读取,我们首先检查 对于此日志目录,并在以下情况下使用它而不是文件列表 现在。
因此,现在应该为每个查询指定一个单独的路径。与检查点不同,没有配置 _spark_matadata 位置的选项。
【讨论】:
“尝试写入相同的基本路径”是什么意思?你能用更新的代码更新你的答案吗?以上是关于在同一个 Spark 会话中运行多个 Spark Kafka 结构化流查询会增加偏移量但显示 numInputRows 0的主要内容,如果未能解决你的问题,请参考以下文章
Spark 在具有多个应用程序的工作人员上运行了多少 JVM
spark.driver.extraClassPath 多个罐子
可以在 Databricks 集群运行后设置/修改的 Spark 会话属性