Spark Structured Kafka偏移管理

Question

我正在研究在kafka中存储kafka偏移量用于Spark结构化流媒体，就像它对DStreams stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)一样，与我正在寻找的相同，但用于结构化流媒体。它是否支持结构化流媒体？如果是，我如何实现它？

我知道使用.option("checkpointLocation", checkpointLocation)的hdfs检查点，但我对内置的偏移量管理很感兴趣。

我期望kafka只在内部存储偏移量，而不使用spark hdfs检查点。

Answer 1

我正在使用在某个地方找到的这段代码。

public class OffsetManager {

    private String storagePrefix;

    public OffsetManager(String storagePrefix) {
        this.storagePrefix = storagePrefix;
    }

    /**
     * Overwrite the offset for the topic in an external storage.
     *
     * @param topic     - Topic name.
     * @param partition - Partition of the topic.
     * @param offset    - offset to be stored.
     */
    void saveOffsetInExternalStore(String topic, int partition, long offset) {

        try {

            FileWriter writer = new FileWriter(storageName(topic, partition), false);

            BufferedWriter bufferedWriter = new BufferedWriter(writer);
            bufferedWriter.write(offset + "");
            bufferedWriter.flush();
            bufferedWriter.close();

        } catch (Exception e) {
            e.printStackTrace();
            throw new RuntimeException(e);
        }
    }

    /**
     * @return he last offset + 1 for the provided topic and partition.
     */
    long readOffsetFromExternalStore(String topic, int partition) {

        try {

            Stream<String> stream = Files.lines(Paths.get(storageName(topic, partition)));

            return Long.parseLong(stream.collect(Collectors.toList()).get(0)) + 1;

        } catch (Exception e) {
            e.printStackTrace();
        }

        return 0;
    }

    private String storageName(String topic, int partition) {
        return "Offsets\\" + storagePrefix + "-" + topic + "-" + partition;
    }

}

在记录处理成功后调用SaveOffset...is，否则不存储偏移量。我使用Kafka主题作为源，所以我指定startingoffsets作为从ReadOffsets检索到的偏移量……

Answer 2

“它是否支持结构化流？”

不，在结构化流中不支持将偏移量提交回Kafka，类似于使用火花流(DStreams)可以完成的操作。Kafka specific configurations上的Spark Structured + Kafka集成指南对此非常精确：

"Kafka源不提交任何偏移量。“

关于这个问题，我用How to manually set groupId and commit Kafka offsets in Spark Structured Streaming写了一个更全面的答案。