之前在使用spark streaming消费kafka数据时,为了防止每次从kafka获取的数据过多,设置了spark.streaming.kafka.maxRatePerPartition的大小,这样每次从kafka获取到的最大数据就可以为“topic个数*kafka每个topic分区个数*maxRatePerPartition”。这样似乎可以防止spark一次性读入的数据太多。然鹅,带来了一些问题。
1.例如设置spark截取离散流的时间为5s,最理想的情况下,spark每5s就会处理这一批数据。那么问题来了,如果5s之内,如果这批数据还处理不完,下一批已经生成了,于是下一批只能等。长此以往,就会有越来越多的作业在后台堆积。这些堆积的数据,如果一直放在内存,很可能会导致OOM,如果放在磁盘,又会导致后面从磁盘读取要耗费时间。
2.这个maxRatePerPartition是我自己估算的,如果kafka那边生产者生产的比这个值快,并且spark也处理得很快,那就浪费资源了。
好在spark1.5之后的版本,提供了spark.streaming.backpressure.enabled参数。
backpressure
使用backpressure功能需配置spark.streaming.backpressure.enabled=true
那,如何控制程序首次运行时获取的数据量呢?
如果程序使用的是receiver模式,可以使用“spark.streaming.backpressure.initialRate”来指定初始的数据量大小;如果是direct模式,可以使用“spark.streaming.kafka.maxRatePerPartition”指定,一般建议将这个值设为你所估计的最优值的1.5~2倍。