基于Direct方式
这种方式周期性地查询Kafka,来获得每个topic+partition的最新的offset,从而定义每个batch的offset的范围。
这种方式有以下优点:
1. 简化并行读取:如果要读取多个partition,不需要创建多个DStream,然后对他们进行union操作,spark会创建和kafka partition一样多的RDD partition,并且会并行的从Kafka中读取数据,所以在Kafka partition和RDD partition之间,有一个一对一的映射关系。
2. 高性能:如果要保证零数据丢失,在基于receiver的方式中,需要开启WAL机制,这种方式其实效率地下,因为数据实际上被复制了倆份,kafka自己本身就有高可靠的机制,会对数据复制一份,而这里又会复制一份到WAL,而基于direct方式,不依赖Receiver,不需要开启WAL机制,只要Kafka中做了数据的复制,那么就可以通过kafka的副本进行恢复
3. 一次且仅一次的事务机制
基于receiver的方式,是使用Kafka的高阶API来在Zookeeper中保存消费过的offset的。这是消费Kafka的传统方式,这种方式配合着WAL机制可以保证数据零丢失的高可靠性,但是却无法保证数据被处理一次且仅一次,可能会处理俩次,因为Spark和Zookeeper可能是不同步的
基于direct的方式,使用kafka的简单api,Spark Streaming自己就负者追踪消费的offset,并保存在checkpoint中,saprk自己一定是同步的,因此可以保证数据消费仅一次