apache-spark - 如何在 Spark 结构化流中手动设置 group.id 并提交 kafka 偏移量？

Question

我在这里浏览了 Spark 结构化流式传输 - Kafka 集成指南。

在这个链接上被告知

enable.auto.commit：Kafka 源不提交任何偏移量。

那么，一旦我的 spark 应用程序成功处理了每条记录，我该如何手动提交偏移量呢？

score 9 · Accepted Answer

tl;博士

无法向 Kafka 提交任何消息。从 Spark 版本 3.x 开始，您可以定义 Kafka 消费者组的名称，但是，这仍然不允许您提交任何消息。

自 Spark 3.0.0

根据结构化 Kafka 集成指南，您可以提供 ConsumerGroup 作为选项kafka.group.id：

val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2")
  .option("subscribe", "topic1")
  .option("kafka.group.id", "myConsumerGroup")
  .load()

但是，Spark 仍然不会提交任何偏移量，因此您将无法“手动”向 Kafka 提交偏移量。此功能旨在使用基于角色的访问控制来处理 Kafka 的最新功能授权，您的 ConsumerGroup 通常需要遵循命名约定。

此处讨论并解决了 Spark 3.x 应用程序的完整示例。

直到 Spark 2.4.x

Spark Structured Streaming + Kafka 集成指南清楚地说明了它如何管理 Kafka 偏移量。Spark不会将任何消息提交回 Kafka，因为它依赖于内部偏移管理来实现容错。

管理偏移量的最重要的 Kafka 配置是：

group.id：Kafka源将自动为每个查询创建一个唯一的组 id。根据代码group.id 将设置为

val uniqueGroupId = s"spark-kafka-source-${UUID.randomUUID}-${metadataPath.hashCode}"

auto.offset.reset：设置源选项startingOffsets来指定从哪里开始。 结构化流式处理在内部管理哪些偏移量，而不是依靠 kafka Consumer 来完成。
enable.auto.commit： Kafka 源不提交任何偏移量。

因此，在结构化流中，目前无法为 Kafka 消费者定义您的自定义 group.id，并且结构化流在内部管理偏移量，而不是提交回 Kafka（也不是自动）。

2.4.x 在行动

假设您有一个简单的 Spark Structured Streaming 应用程序，它可以读取和写入 Kafka，如下所示：

// create SparkSession
val spark = SparkSession.builder()
  .appName("ListenerTester")
  .master("local[*]")
  .getOrCreate()

// read from Kafka topic
val df = spark.readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "localhost:9092")
  .option("subscribe", "testingKafkaProducer")
  .option("failOnDataLoss", "false")
  .load()

// write to Kafka topic and set checkpoint directory for this stream
df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
  .writeStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "localhost:9092")
  .option("topic", "testingKafkaProducerOut")
  .option("checkpointLocation", "/home/.../sparkCheckpoint/")
  .start()

Spark 的偏移管理

提交此应用程序并处理数据后，可以在检查点目录中找到相应的偏移量：

myCheckpointDir/偏移量/

{"testingKafkaProducer":{"0":1}}

这里检查点文件中的条目确认0要消费的分区的下一个偏移量是1. 这意味着应用程序已经处理了从名为的主题0分区的偏移量。0testingKafkaProducer

Spark文档中提供了有关容错语义的更多信息。

Kafka 的偏移管理

但是，如文档中所述，偏移量不会提交回 Kafka。这可以通过执行kafka-consumer-groups.shKafka 安装来检查。

./kafka/current/bin/kafka-consumer-groups.sh --bootstrap-server localhost:9092 --describe --group "spark-kafka-source-92ea6f85-[...]-driver-0"

TOPIC                PARTITION  CURRENT-OFFSET  LOG-END-OFFSET  LAG  CONSUMER-ID      HOST         CLIENT-ID
testingKafkaProducer 0          -               1               -    consumer-1-[...] /127.0.0.1   consumer-1

Kafka不知道该应用程序的当前偏移量，因为它从未提交过。

可能的解决方法

请仔细阅读以下 Spark 提交者 @JungtaekLim 关于解决方法的评论：“Spark 的容错保证基于 Spark 对偏移管理具有完全控制权这一事实，如果他们试图修改它，他们将取消保证。（例如，如果他们更改为向 Kafka 提交偏移量，则没有批次信息，并且如果 Spark 需要移回特定批次，“后面”保证不再有效。）”

我在网上看到的一些研究是，您可以onQueryProgress在自定义StreamingQueryListenerSpark 的方法的回调函数中提交偏移量。这样，您可以拥有一个跟踪当前进度的消费者组。但是，它的进展并不一定与实际的消费群体一致。

以下是一些您可能会觉得有帮助的链接：