使用spark.streaming.kafka.consumer.poll.ms和reconnect.backoff.ms解决spark streaming消费kafka时任务不稳定的问题

问题描述

在用spark streaming程序消费kafka的数据时,遇到了一个神奇的现象:同样的数据量、相似的数据,在消费时,有些批次的数据在做map操作时神奇的多了40多秒,具体看下面的数据:在map操作时,有些是几秒,有些稳稳的是41s!如果是偶然出现还好,但是,大部分的作业都是在map时花了刚好41s。这就很神奇了。

1.map:2s	
2.map:41s		
3.map:0.8s	
4.map:41s	
5.map:41s	

在这里插入图片描述
在这里插入图片描述

解决方法一

看了篇博客,里面博主说:

第一,减小spark.streaming.kafka.consumer.poll.ms参数到3000ms以内,即3秒超时就重试,第二,将spark.task.maxFailures改为10,默认值是4,加大重试次数,修改完这两个参数后基本上解决了这个问题,多数批次在阻塞重连后都能很快读到消息并运行成功

我试了下,

sc.set("spark.streaming.kafka.consumer.poll.ms", "1000")

然后,有些task直接崩了。但是并不影响后面的计算,因为它会重试。

java.lang.IllegalArgumentException: requirement failed: Failed to get records for spark-executor-consume-kafka-01 orcl_ogg_info 0 60980 after polling for 1000

在这里插入图片描述
在这里插入图片描述

解决方法二

虽然使用spark.streaming.kafka.consumer.poll.ms这个参数可以解决,但是我并没有用,而是用了另一个。
参考这里
需要将kafka的一个叫reconnect.backoff.ms的参数值设为0,我的java代码如下:

public static Map<String, Object> initKafkaParams(String kafkaServers,String kafkaGroupId,String autoOffsetReset) {
		Map<String, Object> kafkaParams = new HashMap<>();
		kafkaParams.put("bootstrap.servers", kafkaServers);
		kafkaParams.put("key.deserializer", StringDeserializer.class);
		kafkaParams.put("value.deserializer", StringDeserializer.class);
		kafkaParams.put("group.id", kafkaGroupId);
		kafkaParams.put("auto.offset.reset", autoOffsetReset);
		kafkaParams.put("enable.auto.commit", false);
		kafkaParams.put("reconnect.backoff.ms", "0");
		return kafkaParams;
	}

参数分析

spark.streaming.kafka.consumer.poll.ms

这个参数我看了下这篇文章,按我的理解大致如下:
spark去kafka取数的时候,会有一个超时时间。如果两次尝试后都出现了超时,这个任务就会失败,然后spark会把这个任务分发到其它的executor上面去执行,这就会导致一定的调度耗时。
在spark中这个参数的默认值是512ms。如果超时时间很短,但是kafka响应的时间很长,这就会导致spark中有很多的任务失败。如果超时时间太长,spark在这段时间内什么都不做且最终还是会超时,就会产生很大的延迟(poll timeout+executor中的任务调度)。
如果spark作业中有很多的任务失败,你需要去增大这个值(或者你该去kafka那边看看为啥它那么久都没响应)。

如果不指定这个参数,spark可能就会使用spark.network.timeout(所有网络交互的默认超时,默认是120s)

reconnect.backoff.ms

如果客户端与kafka的broker的连接断开了,客户端会等reconnect.backoff.ms之后重新连接。

reconnect.backoff.max.ms

重连的总的最大时间,每次连接失败,重连时间都会指数级增加,每次增加的时间会存在20%的随机抖动,以避免连接风暴。


2020 10 15 更新
最近发现,如果将reconnect.backoff.ms设为0,在集群压力大的情况下,有很多任务失败时,会出现大量连接涌向kafka,而且大部分重新连接也会失败,这就造成可能导致kafka挂掉或者spark这边重试次数用完后spark job挂掉从而导致程序挂掉。所以如果在集群压力大时,可以考虑将spark.streaming.kafka.consumer.poll.ms调大一点。

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值