背景:
需要用streaming+kafka消费一批数据,数据处理的过程中可能会有一些问题,导致没有消费成功,所以想记录每个分区消费的offset,在创建createDirectStream的时候指定offset。
测试过程中发现除了第一次指定的offset生效外,后续依然会从untilOffset消费,并非自己手动提交的offset位置。通过扒源码发现是自己对offset的理解错误了。streaming只有在第一次创建directStream的时候会使用指定的offset,后续会从每批次的untilOffset去消费。所以正确的使用场景是streaming程序崩溃或者机器重启,需要记录上次消费的offset,当重启消费时能够从指定的offset消费。
首先看下commit方法, 跟进commitAsync的实现我们可以发现,DirectKafkaInputDStream内部维护了一个offset的提交队列,commitAsync会将offset提交到队列中,是异步的,只有当下次拉取时,才会将队列中的offset进行commit。
/**
* Queue up offset ranges for commit to Kafka at a future time. Threadsafe.
* @param offsetRanges The maximum untilOffset for a given partition will be used at commit.
* @param callback Only the most recently provided callback will be used at commit.
*/
def commitAsync(offsetRanges: Array[OffsetRange], callback: OffsetCommitCallback)