apache-spark - 重新启动 Spark 结构化流作业会消耗数百万条 Kafka 消息并死掉

Question

我们有一个在 Spark 2.3.3 上运行的 Spark Streaming 应用程序

基本上，它打开一个 Kafka Stream:

  kafka_stream = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "mykafka:9092") \
  .option("subscribe", "mytopic") \
  .load()

kafka主题有2个分区。之后，有一些基本的过滤操作，一些Python UDF和列上的explode()，例如:

   stream = apply_operations(kafka_stream)

其中 apply_operations 对数据执行所有操作。最后，我们想将流写入接收器，即。例如:

   stream.writeStream \
   .format("our.java.sink.Class") \
   .option("some-option", "value") \
   .trigger(processingTime='15 seconds') \
   .start()

为了让这个流操作永远运行，我们应用:

   spark.streams.awaitAnyTermination()

最后。

到目前为止，一切都很好。一切都运行了好几天。但由于网络问题，作业终止了几天，现在 kafka 流中有数百万条消息等待被捕获。

当我们使用spark-submit重新启动流数据作业时，第一批将太大并且需要很长时间才能完成。我们认为可能有一种方法可以通过某些参数来限制第一批的大小，但我们没有找到任何有帮助的东西。

我们尝试过:

• spark.streaming.backPressure.enabled=true 以及 Spark.streaming.backPressure.initialRate=2000 和 Spark.streaming.kafka.maxRatePerPartition=1000 和 Spark.streaming.receiver.maxrate=2000

• 将spark.streaming.backPressure.pid.minrate设置为较低的值也没有效果

• 设置选项(“maxOffsetsPerTrigger”，10000)也没有效果

现在，在我们重新启动管道后，整个 Spark Job 迟早会再次崩溃。我们不能简单地扩大用于 Spark 作业的内存或核心。

我们是否遗漏了任何东西来控制在一个流批处理中处理的事件数量？

Answer 1

您在评论中写道，您正在使用 spark-streaming-kafka-0-8_2.11并且该 api 版本无法处理 maxOffsetPerTrigger (或据我所知任何其他减少消耗消息数量的机制)，因为它只是 implemented对于较新的 api spark-streaming-kafka-0-10_2.11 。根据 documentation，这个较新的 api 也适用于您的 kafka 版本 0.10.2.2 .