pyspark-kafka直接流式更新zookeeper/kafka offset

3ks5zfa0  于 2021-06-08  发布在  Kafka
关注(0)|答案(2)|浏览(358)

目前我正在与kafka/zookeeper和pyspark(1.6.0)合作。我已经成功地创建了一个kafka消费者,它使用 KafkaUtils.createDirectStream() .
所有的流媒体都没有问题,但我认识到,在我使用了一些消息之后,我的Kafka主题没有更新到当前偏移量。
因为我们需要更新主题,在这里有一个监控,这是有点奇怪。
在spark的文档中,我发现了以下评论:

offsetRanges = []

     def storeOffsetRanges(rdd):
         global offsetRanges
         offsetRanges = rdd.offsetRanges()
         return rdd

     def printOffsetRanges(rdd):
         for o in offsetRanges:
             print "%s %s %s %s" % (o.topic, o.partition, o.fromOffset, o.untilOffset)

     directKafkaStream\
         .transform(storeOffsetRanges)\
         .foreachRDD(printOffsetRanges)

如果您希望基于zookeeper的kafka监视工具显示流应用程序的进度,可以使用该工具来更新zookeeper。
以下是文档:http://spark.apache.org/docs/1.6.0/streaming-kafka-integration.html#approach-2个直接接近无接收机
我在scala中找到了一个解决方案,但在python中找不到等效的解决方案。下面是scala示例:http://geeks.aretotally.in/spark-streaming-kafka-direct-api-store-offsets-in-zk/

问题

但问题是,从那时起,我如何才能更新Zookeeper?

fcipmucu

fcipmucu1#

我也遇到了类似的问题。您是对的,使用directstream意味着直接使用kafka低级api,它没有更新reader offset。scala/java有几个例子,但python没有。但是你自己做很容易,你需要做的是:
从开头的偏移量读取
在末尾保存偏移
例如,我在redis中保存每个分区的偏移量,方法是:

stream.foreachRDD(lambda rdd: save_offset(rdd))
def save_offset(rdd):
  ranges = rdd.offsetRanges()
  for rng in ranges:
     rng.untilOffset # save offset somewhere

首先,您可以使用:

fromoffset = {}
topic_partition = TopicAndPartition(topic, partition)
fromoffset[topic_partition]= int(value) #the value of int read from where you store previously.

对于一些使用zk跟踪偏移的工具,最好将偏移保存在zookeeper中。本页:https://community.hortonworks.com/articles/81357/manually-resetting-offset-for-a-kafka-topic.html 描述如何设置偏移量,基本上,zk节点是:/consumers/[consumer\u name]/offsets/[topic name]/[partition id],因为我们使用的是directstream,所以您必须组成一个consumer name。

h7wcgrx3

h7wcgrx32#

我用python-kazoo库编写了一些函数来保存和读取kafka偏移量。
获取kazoo客户端单例的第一个函数:

ZOOKEEPER_SERVERS = "127.0.0.1:2181"

def get_zookeeper_instance():
    from kazoo.client import KazooClient

    if 'KazooSingletonInstance' not in globals():
        globals()['KazooSingletonInstance'] = KazooClient(ZOOKEEPER_SERVERS)
        globals()['KazooSingletonInstance'].start()
    return globals()['KazooSingletonInstance']

然后读取和写入偏移量的函数:

def read_offsets(zk, topics):
    from pyspark.streaming.kafka import TopicAndPartition

    from_offsets = {}
    for topic in topics:
        for partition in zk.get_children(f'/consumers/{topic}'):
            topic_partion = TopicAndPartition(topic, int(partition))
            offset = int(zk.get(f'/consumers/{topic}/{partition}')[0])
            from_offsets[topic_partion] = offset
    return from_offsets

def save_offsets(rdd):
    zk = get_zookeeper_instance()
    for offset in rdd.offsetRanges():
        path = f"/consumers/{offset.topic}/{offset.partition}"
        zk.ensure_path(path)
        zk.set(path, str(offset.untilOffset).encode())

然后,在开始流之前,您可以从zookeeper读取偏移量,并将它们传递给createdirectstream fromOffsets 参数:

from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils

def main(brokers="127.0.0.1:9092", topics=['test1', 'test2']):
    sc = SparkContext(appName="PythonStreamingSaveOffsets")
    ssc = StreamingContext(sc, 2)

    zk = get_zookeeper_instance()
    from_offsets = read_offsets(zk, topics)

    directKafkaStream = KafkaUtils.createDirectStream(
        ssc, topics, {"metadata.broker.list": brokers},
        fromOffsets=from_offsets)

    directKafkaStream.foreachRDD(save_offsets)

if __name__ == "__main__":
    main()

相关问题