0

我们需要在结构化流maxOffsetsPerTrigger中使用 Kafka 源，Trigger.Once()但基于这个问题，它似乎allAvailable在 spark 3 中读取。在这种情况下，有没有办法实现速率限制？

这是 spark 3 中的示例代码：

def options: Map[String, String] = Map(
  "kafka.bootstrap.servers" -> conf.getStringSeq("bootstrapServers").mkString(","),
  "subscribe" -> conf.getString("topic")
) ++
  Option(conf.getLong("maxOffsetsPerTrigger")).map("maxOffsetsPerTrigger" -> _.toString)
val streamingQuery = sparkSession.readStream.format("kafka").options(options)
  .load
  .writeStream
  .trigger(Trigger.Once)
  .start()
4

2 回答 2

3

没有其他方法可以正确设置速率限制。如果maxOffsetsPerTrigger不适用于带有Once触发器的流式作业，您可以执行以下操作以获得相同的结果：

  1. 选择另一个触发器并用于maxOffsetsPerTrigger限制速率并在完成处理所有数据后手动终止此作业。

  2. 使用选项startingOffsets并endingOffsets同时使作业成为批处理作业。重复，直到您处理完主题中的所有数据。但是，这里详述了“RunOnce 模式下的流式传输优于 Batch”是有原因的。

最后一个选项是查看链接的拉取请求并自行编译 Spark。

于 2020-12-07T20:05:22.360 回答
2

这是我们如何“解决”这个问题的。这基本上是mike在接受的答案中所写的方法。

在我们的例子中，消息的大小变化很小，因此我们知道处理一个批处理需要多少时间。所以简而言之，我们：

  • 更改了Trigger.Once()with，Trigger.ProcessingTime(<ms>)因为maxOffsetsPerTrigger适用于此模式
  • awaitTermination(<ms>)通过调用来模仿杀死这个正在运行的查询Trigger.Once()
  • 将处理间隔设置为大于终止间隔，以便恰好适合处理一个“批次”

val kafkaOptions = Map[String, String](
      "kafka.bootstrap.servers" -> "localhost:9092",
      "failOnDataLoss" -> "false",
      "subscribePattern" -> "testTopic",
      "startingOffsets" -> "earliest",
      "maxOffsetsPerTrigger" -> "10",  // "batch" size
    )

val streamWriterOptions = Map[String, String](
    "checkpointLocation" -> "path/to/checkpoints",
  )

val processingInterval = 30000L
val terminationInterval = 15000L

sparkSession
      .readStream
      .format("kafka")
      .options(kafkaOptions)
      .load()
      .writeStream
      .options(streamWriterOptions)
      .format("Console")
      .trigger(Trigger.ProcessingTime(processingInterval))
      .start()
      .awaitTermination(terminationInterval)

这是有效的，因为将根据maxOffsetsPerTrigger限制读取和处理第一批。说，在 10 秒内。然后开始处理第二批，但它在大约 5 秒后在操作中间终止，并且从未达到设置的 30 秒标记。但它正确存储了偏移量。在下一次运行中拾取并处理这个“被杀死”的批次。

这种方法的一个缺点是您必须大致知道处理一个“批次”需要多少时间 - 如果您设置的terminationInterval太低，作业的输出将始终没有。

当然，如果您不关心在一次运行中处理的确切批次数，您可以轻松地将 调整为processingInterval比terminationInterval. 在这种情况下，您可以一次处理不同数量的批次，但仍然尊重maxOffsetsPerTrigger.

于 2021-01-22T12:17:37.187 回答