解释 Spark 结构化流执行器和 Kafka 分区之间的映射
Posted
技术标签:
【中文标题】解释 Spark 结构化流执行器和 Kafka 分区之间的映射【英文标题】:Explain mapping between Spark Structured Streaming executors and Kafka partitions 【发布时间】:2017-10-09 06:11:32 【问题描述】:我已经在 Kafka 主题上部署了一个包含 4 个工作人员的结构化流,其中包含 4 个分区。
我假设将为 4 个分区部署 4 个工作人员,工作人员分区之间存在一对一的映射。
但是,事实并非如此。所有分区都由同一个 Executor 提供服务。我通过检查执行程序的线程 ID 和日志来确认这一点。
是否有任何文档显示 Kafka 分区和 Spark 结构化流之间的相关性。另外,有没有我们可以调整的旋钮。
【问题讨论】:
【参考方案1】:相关性为“1:n(executor:partitions)”:一个Kafka partition只能被一个executor消费,一个executor可以消费多个Kafka partition。
这与 Spark Streaming 一致。
对于结构化流,默认模型是“微批处理模型”,“连续处理模型”仍处于“实验”状态。
对于“微批处理模型”,在“KafkaSource.scala”中有
* - The DF returned is based on [[KafkaSourceRDD]] which is constructed such that the
* data from Kafka topic + partition is consistently read by the same executors across
* batches, and cached KafkaConsumers in the executors can be reused efficiently. See the
* docs on [[KafkaSourceRDD]] for more details.
在“KafkaSourceRDD”中
/**
* An RDD that reads data from Kafka based on offset ranges across multiple partitions.
* Additionally, it allows preferred locations to be set for each topic + partition, so that
* the [[KafkaSource]] can ensure the same executor always reads the same topic + partition
* and cached KafkaConsumers (see [[KafkaDataConsumer]] can be used read data efficiently.
*
* ...
*/
private[kafka010] class KafkaSourceRDD(
我们知道默认位置策略是LocationStrategies.PreferConsistent
。
对于“连续处理模型”,在“KafkaContinuousReader.scala”中
override def createUnsafeRowReaderFactories(): ju.List[DataReaderFactory[UnsafeRow]] =
...
startOffsets.toSeq.map
case (topicPartition, start) =>
KafkaContinuousDataReaderFactory(
topicPartition, start, kafkaParams, pollTimeoutMs, failOnDataLoss)
.asInstanceOf[DataReaderFactory[UnsafeRow]]
.asJava
/**
* A data reader factory for continuous Kafka processing. This will be serialized and transformed
* into a full reader on executors.
*
* @param topicPartition The (topic, partition) pair this task is responsible for.
* ...
*/
case class KafkaContinuousDataReaderFactory(
topicPartition: TopicPartition,
startOffset: Long,
kafkaParams: ju.Map[String, Object],
pollTimeoutMs: Long,
failOnDataLoss: Boolean) extends DataReaderFactory[UnsafeRow]
override def createDataReader(): KafkaContinuousDataReader =
new KafkaContinuousDataReader(
topicPartition, startOffset, kafkaParams, pollTimeoutMs, failOnDataLoss)
我们可以知道每个(topic, partition)
将被包含在一个工厂中,然后将在一个执行器中。
【讨论】:
虽然在文档中执行器将从 kafka 主题分区中消耗,但当我尝试读取流时,我发现驱动程序正在从所有分区而不是执行器中消耗【参考方案2】:如果您使用 DirectStream API,则相关性为 1:1(sparkcore:partition)。来自spark streaming guide,
Kafka 0.10 的 Spark Streaming 集成在设计上类似于 0.8 Direct Stream 方法。它提供简单的并行性,1:1 Kafka 分区和 Spark 分区之间的对应关系,以及 访问偏移量和元数据
【讨论】:
谢谢维涅什。但是,我希望挖掘结构化流式处理方法。结构化流也一样吗? 结构化流和旧的火花流的本质区别在于,在火花流中你得到一个 DStream,你在结构化流中得到一个流数据帧。 1:1 并行性保持不变。以上是关于解释 Spark 结构化流执行器和 Kafka 分区之间的映射的主要内容,如果未能解决你的问题,请参考以下文章
有没有办法将生成的 groupby 流加入到 kafka-spark 结构化流中的原始流?
如何从 Spark 结构化流中的 Cassandra 等外部存储读取 Kafka 和查询?