使用spark-streaming将数据发布到kafka topic时复制

Question

我有一个火花流应用程序，它使用来自topic1的数据并解析它，然后将相同的记录发布到两个过程中，一个是topic2，另一个是hive表。将数据发布到kafka topic2时，我看到重复项，但在配置单元表中看不到重复项

使用spark 2.2，Kafka 0.10.0

KafkaWriter.write(spark, storeSalesStreamingFinalDF, config)
writeToHIVE(spark, storeSalesStreamingFinalDF, config)


object KafkaWriter {

  def write(spark: SparkSession, df: DataFrame, config: Config)
  {
    df.select(to_json(struct("*")) as 'value)
      .write
      .format("kafka")
      .option("kafka.bootstrap.servers", config.getString("kafka.dev.bootstrap.servers"))
      .option("topic",config.getString("kafka.topic"))
      .option("kafka.compression.type",config.getString("kafka.compression.type"))
      .option("kafka.session.timeout.ms",config.getString("kafka.session.timeout.ms"))
      .option("kafka.request.timeout.ms",config.getString("kafka.request.timeout.ms"))
      .save()
  }
}

有人能帮上忙吗，

期望在kafka topic2中没有重复项。

Answer 1

为了处理重复的数据，我们应该设置.option("kafka.processing.guarantee","exactly_once")