如何将 Spark Streaming 检查点位置存储到 S3 中?
Posted
技术标签:
【中文标题】如何将 Spark Streaming 检查点位置存储到 S3 中?【英文标题】:How to store Spark Streaming Checkpoint Location into S3? 【发布时间】:2020-06-18 01:24:09 【问题描述】:我对获取 S3 parquet 数据并将 parquet 数据写入 S3 的 Spark Streaming 应用程序 (Spark v2.3.2) 感兴趣。应用程序的数据帧流利用groupByKey()
和flatMapGroupsWithState()
来利用GroupState
。
是否可以将其配置为使用 s3 检查点位置?例如:
val stream = myDataset.writeStream
.format("parquet")
.option("path", s3DataDestination)
.option("checkpointLocation", s3CheckpointPath)
.option("truncate", false)
.option(Trigger.Once)
.outputMode(OutputMode.Append)
stream.start().awaitTermination()
我确认以上是能够成功写入数据到s3DataDestination
的。
但是,写入 s3 检查点位置时会引发异常:
java.lang.IllegalStateException: Error committing version 1 into HDFSStateStore[id=(op=0, part=9), dir=s3://<my_s3_location>
at org.apache.spark.sql.execution.streaming.state.HDFSBackedStateStoreProvider$HDFSBackedStateStore.commit(...)
...
Caused by: java.io.IOException: Failed to rename s3://.../checkpoint/state/0/9/temp... to s3://.../checkpoint/state/0/9/1.delta
这是否需要自定义实现 S3 StateStoreProvider
?或者,检查点位置是否需要写入HDFS?
【问题讨论】:
【参考方案1】:问题是读写并发频率太高。 AWS S3 不提供此类功能。
解决方案:
我们必须切换到本地安装的永久性磁盘以进行 Spark 检查点 S3Guard:这将使 S3 的读写更加一致(注意:这是实验性的,我个人从未见过它实际使用过) 使用 HDFS【讨论】:
以上是关于如何将 Spark Streaming 检查点位置存储到 S3 中?的主要内容,如果未能解决你的问题,请参考以下文章
Spark Streaming 检查点到 amazon s3
spark-streaming scala:如何将字符串数组传递给过滤器?
如何在 Spark Streaming 中自动重启故障节点?
驱动程序重新启动后 Spark Streaming 检查点不起作用
Spark Structured Streaming - 由于增加输入源的数量,检查点中的 AssertionError