如何从Kafka Topic中获取记录总数并保存到HDFS中？

Question

全,

我正在使用转储到HDFS上的Kafka数据。我能够使用数据，并希望从Kafka获得记录的总数，并将其另存为HDFS文件，以便我可以使用该文件进行验证。我可以在控制台中打印记录，但我不确定如何创建总计数文件？

从Kafka拉取记录的查询：

Dataset ds1=ds.filter(args[5]);
 StreamingQuery query = ds1
                   .coalesce(10)
                   .writeStream()
                   .format("parquet")
                   .option("path", path.toString())
                   .option("checkpointLocation", args[6] + "/checkpoints" + args[2])
                   .trigger(Trigger.Once())
                   .start();

          try {
                query.awaitTermination();
            } catch (StreamingQueryException e) {
                e.printStackTrace();
                System.exit(1);
            }   

以及我为获取记录并在控制台中打印而编写的代码：

Dataset stream=ds1.groupBy("<column_name>").count(); //实际上，我想在不使用GroupBy的情况下获取计数，我尝试过long stream=ds1.count()，但遇到了错误。

 StreamingQuery query1=stream.coalesce(1)
                        .writeStream()
                        .format("csv")
                       .option("path", path + "/record")
                       .start();

               try {
                    query1.awaitTermination();
                 } catch (StreamingQueryException e) {
                     e.printStackTrace();
                    System.exit(1);
                } 

这不起作用，你能帮我解决这个问题吗？

Answer 1

主题中任何时候的记录数量都是一个移动目标。

您将需要使用旧的Spark Streaming来查找每个Spark partiton批处理的记录数，然后使用Accumulator来计算所有处理的记录，但这将是您所能获得的最接近的结果。

Spark + Kafka声称只有一次处理语义，所以我建议你把重点放在错误捕获和监控上，而不仅仅是计数验证。