spark streaming集成Kafka时,数据处理的语义很重要,如何保证数据只能被处理一次而不重复?接下来将详细介绍。
一、流处理系统中的三种消息传递语义
- at least once:每条消息会被收到1次或多次
- at most once:每条消息会被收到0次或1次
- exactly once:保证每条消息,只会被处理一次。是最强最精确的语义,也最难实现
一个Spark Streaming程序由三步组成:输入、处理、输出。要达到exactly once的理想状态,需要三步协同进行,而不是只与处理逻辑有关。
二、Kafka输入端
Kafka集成spark streaming有两种方法,旧的基于receiver的方法,新的基于direct stream。由于最新版本的spark(2.4.4)只支持direct,所以就以direct模式为例进行分析。
spark streaming的driver进程每次只需要从Kafka获得批次消息的offset range,然后Executor进程根据offset range去读取该批次的消息即可。由于offset在Kafka中能唯一确定一条消息,且在外部只能被Streaming程序本身感知到,因此消除了不一致性,达到了exactly once。
不过,这种模式有一个突出的问题,就是offset的管理。一旦程序崩溃,整个流程只能从earliest或latest点恢复,中间的数据会消费不到,肯定不妥。所以需要自己管理offset,在zookeeper、外部的MySQL、che