Spark|Spark Streaming kafka 实现数据零丢失的几种方式
在使用spark streaming消费kafka数据时,程序异常中断下发现会有数据丢失的情况。Definitions 问题开始之前先解释下流处理中的一些概念:
下文将说明如何避免这种情况。
-
At most once
- 每条数据最多被处理一次(0次或1次) -
At least once
- 每条数据最少被处理一次 (1次或更多) -
Exactly once
- 每条数据只会被处理一次(没有数据会丢失,并且没有数据会被多次处理)
因为receiver一直在接收数据,在其没有处理的时候(已通知zk数据接收到),executor突然挂掉(或是driver挂掉通知executor关闭),缓存在其中的数据就会丢失。
因为这个问题,Spark1.2开始加入了WAL(Write ahead log)
开启 WAL,将receiver获取数据的存储级别修改为
StorageLevel.MEMORY_AND_DISK_SER
val conf = new SparkConf()conf.set("spark.streaming.receiver.writeAheadLog.enable","true")
val sc= new SparkContext(conf)val ssc = new StreamingContext(sc,Seconds(5))
ssc.checkpoint("walDir") val lines = KafkaUtils.createStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topicMap, StorageLevel.MEMORY_AND_DISK_SER).map(_._2)
开启WAL后,依旧存在数据丢失问题
即使按官方说的设置了WAL,依旧会有数据丢失,这是为什么?因为在任务中断时
receiver
也被强行终止了,将会造成数据丢失,提示如下:ERROR ReceiverTracker: Deregistered receiver for stream 0: Stopped by driver
WARN BlockGenerator: Cannot stop BlockGenerator as its not in the Active state [state = StoppedAll]
WARN BatchedWriteAheadLog: BatchedWriteAheadLog Writer queue interrupted.
在Streaming程序的最后添加代码,只有在确认所有receiver都关闭的情况下才终止程序。
sys.addShutdownHook({
ssc.stop(true,true
)})
调用的方法为:
def stop(stopSparkContext: Boolean, stopGracefully: Boolean): Unit
WAL带来的问题
WAL实现的是
At-least-once
语义。如果在写入到外部存储的数据还没有将offset更新到zookeeper就挂掉,这些数据将会被反复消费。同时,降低了程序的吞吐量。
2.Kafka Direct API Kafka direct API 的运行方式,将不再使用receiver来读取数据,也不用使用WAL机制。
同时保证了
exactly-once
语义,不会在WAL中消费重复数据。不过需要自己完成将offset写入zk的过程,在官方文档中都有相应介绍。例如如下的调用方式:
messages.foreachRDD(rdd=>{
val message = rdd.map(_._2)
//对数据进行一些操作
message.map(method)
//更新zk上的offset (自己实现)
updateZKOffsets(rdd)
})
两种方式的具体数据处理流程可以参考该文章:http://getindata.com/blog/post/recent-evolution-of-zero-data-loss-guarantee-in-spark-streaming-with-kafka/
推荐阅读
- Spark|Spark 数据倾斜及其解决方案
- 深入浅出谈一下有关分布式消息技术(Kafka)
- 15.Kafka
- Springboot整合kafka的示例代码
- 搭建大数据三节点(Hadoop、Hbase、Zookeeper、Kafka、Hive)环境(含配置文件参考)
- Spark--java.util.NoSuchElementException:|Spark--java.util.NoSuchElementException: None.get at at
- kafka集群维护
- spark|spark 资源动态释放
- 十年开发大佬整理的(六大Redis+Nginx+kafka+MySQL+JVM实战文档)
- 用 logstash 从 kafka 读取数据写入 Elasticsearch(qbit)