pySpark Kafka Direct Streaming 更新 Zookeeper / Kafka Offset

Posted 2023-03-10

【中文标题】pySpark Kafka Direct Streaming 更新 Zookeeper / Kafka Offset

【英文标题】：pySpark Kafka Direct Streaming update Zookeeper / Kafka Offset

【发布时间】：2017-10-21 22:39:06

【问题描述】：

目前我正在使用 Kafka / Zookeeper 和 pySpark (1.6.0)。 我已经成功创建了一个使用 KafkaUtils.createDirectStream() 的 kafka 消费者。

所有流媒体都没有问题，但我认识到，在我消费了一些消息后，我的 Kafka 主题没有更新到当前偏移量。

由于我们需要更新主题才能在此处进行监控，这有点奇怪。

在 Spark 的文档中我发现了这条评论：

   offsetRanges = []

     def storeOffsetRanges(rdd):
         global offsetRanges
         offsetRanges = rdd.offsetRanges()
         return rdd

     def printOffsetRanges(rdd):
         for o in offsetRanges:
             print "%s %s %s %s" % (o.topic, o.partition, o.fromOffset, o.untilOffset)

     directKafkaStream\
         .transform(storeOffsetRanges)\
         .foreachRDD(printOffsetRanges)

如果您希望基于 Zookeeper 的 Kafka 监控工具显示流应用程序的进度，您可以使用它自己更新 Zookeeper。

这里是文档： http://spark.apache.org/docs/1.6.0/streaming-kafka-integration.html#approach-2-direct-approach-no-receivers

我在 Scala 中找到了一个解决方案，但我找不到 python 的等价物。 这是 Scala 示例：http://geeks.aretotally.in/spark-streaming-kafka-direct-api-store-offsets-in-zk/

问题

但问题是，我如何才能从那时起更新 zookeeper？

【参考方案1】：

我用 python kazoo 库编写了一些函数来保存和读取 Kafka 偏移量。

获取 Kazoo 客户端单例的第一个函数：

ZOOKEEPER_SERVERS = "127.0.0.1:2181"

def get_zookeeper_instance():
    from kazoo.client import KazooClient

    if 'KazooSingletonInstance' not in globals():
        globals()['KazooSingletonInstance'] = KazooClient(ZOOKEEPER_SERVERS)
        globals()['KazooSingletonInstance'].start()
    return globals()['KazooSingletonInstance']

然后函数读取和写入偏移量：

def read_offsets(zk, topics):
    from pyspark.streaming.kafka import TopicAndPartition

    from_offsets = 
    for topic in topics:
        for partition in zk.get_children(f'/consumers/topic'):
            topic_partion = TopicAndPartition(topic, int(partition))
            offset = int(zk.get(f'/consumers/topic/partition')[0])
            from_offsets[topic_partion] = offset
    return from_offsets

def save_offsets(rdd):
    zk = get_zookeeper_instance()
    for offset in rdd.offsetRanges():
        path = f"/consumers/offset.topic/offset.partition"
        zk.ensure_path(path)
        zk.set(path, str(offset.untilOffset).encode())

然后在开始流式传输之前，您可以从 zookeeper 读取偏移量并将它们传递给createDirectStream 对于fromOffsets 参数。：

from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils


def main(brokers="127.0.0.1:9092", topics=['test1', 'test2']):
    sc = SparkContext(appName="PythonStreamingSaveOffsets")
    ssc = StreamingContext(sc, 2)

    zk = get_zookeeper_instance()
    from_offsets = read_offsets(zk, topics)

    directKafkaStream = KafkaUtils.createDirectStream(
        ssc, topics, "metadata.broker.list": brokers,
        fromOffsets=from_offsets)

    directKafkaStream.foreachRDD(save_offsets)


if __name__ == "__main__":
    main()

【参考方案2】：

我遇到了类似的问题。 你是对的，通过使用directStream，意味着直接使用kafka低级API，它没有更新阅读器偏移量。 有几个scala/java的例子，但python没有。 但是自己做很容易，你需要做的是：

从开头的偏移量读取 保存最后的偏移量

例如，我通过以下方式将每个分区的偏移量保存在 redis 中：

stream.foreachRDD(lambda rdd: save_offset(rdd))
def save_offset(rdd):
  ranges = rdd.offsetRanges()
  for rng in ranges:
     rng.untilOffset # save offset somewhere

然后在开始时，您可以使用：

fromoffset = 
topic_partition = TopicAndPartition(topic, partition)
fromoffset[topic_partition]= int(value) #the value of int read from where you store previously.

对于一些使用zk跟踪偏移量的工具，最好将偏移量保存在zookeeper中。 这一页： https://community.hortonworks.com/articles/81357/manually-resetting-offset-for-a-kafka-topic.html 描述如何设置偏移量，基本上zk节点是： /consumers/[consumer_name]/offsets/[topic name]/[partition id] 因为我们使用的是directStream，所以你必须组成一个消费者名称。

【讨论】：

感谢您的回答，但我仍然不确定我可以从 pySpark 使用哪个框架来更新 Kafka 分区上的偏移量。