Flink消费Kafka 自管理offset
Flink流式消费kafka数据,做相关业务的实时数据处理是当下主流处理方式,但在我用下来发现会偶发checkpoint失败,导致数据重复消费的问题,甚至重复可能会非常严重,如果你最后一次checkpoint成功在10小时之前,这意味着你近10小时的数据都是double 的。
我的解决方案是使用缓存自管理offset:
Kafka初始化时,定义可以拿到每条kafka消息partition和offset的consumer 消费模式,每次数据消费成功都以partition为key 在缓存中维护当前处理的offset位置,key数量决定于你kafka的partition数量。这样你的checkpoint导致你的消息被重放时,只要判断新消息的offset与其对应partition缓存offset对比,小于等于缓存offset的数据通通不要,就保证了数据不会重复消费。
*如果你使用了时间窗口怎么办?
那么你就在你的累加函数中不断更新数据的offset,在最终窗口触发并处理聚合数据成功时,更新此次窗口最后一挑数据的offset,这样数据重放时,也不用担心数据重复了。
手机写的没贴相关代码,待补充。。。