kafka python 性能 spark对比_python-Spark流.从Kafka并行读取导致重复数据

我使用以下代码创建了6个输入DStream,这些DStream使用直接方法从Kafka的6个分区主题中读取,我发现即使为流指定相同的组ID,我也会重复获取数据6次.如果仅创建3个DStream,我将数据重复3次,依此类推.

numStreams = 6

kafkaStreams = [KafkaUtils.createDirectStream(ssc, ["send6partitions"], {

"metadata.broker.list": brokers,

"fetch.message.max.bytes": "20971520",

"spark.streaming.blockInterval" : "2000ms",

"group.id" : "the-same"},

valueDecoder = decodeValue, keyDecoder = decode_key) for _ in range (numStreams)]

kvs = ssc.union(*kafkaStreams)

我在这里做错了什么?

解决方法:

在直接方法中,您不应从一个主题创建许多DStream.

Simplified Parallelism: No need to create multiple input Kafka streams

and union them. With directStream, Spark Streaming will create as many

RDD partitions as there are Kafka partitions to consume, which will

all read data from Kafka in parallel. So there is a one-to-one mapping

between Kafka and RDD partitions, which is easier to understand and

tune.

因此,仅创建一个DStream,Spark将使用所有Kafka分区:)

标签:apache-spark,apache-kafka,streaming,python

来源: https://codeday.me/bug/20191112/2024093.html

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