SparkStreaming怎樣使用Kafka保證數據零丟失

Spark Streaming怎樣使用Kafka保證數據零丟失，針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

創新互聯公司是一家專業提供南江企業網站建設,專注與成都網站制作、成都做網站、html5、小程序制作等業務。10年已為南江眾多企業、政府機構等服務。創新互聯專業網站設計公司優惠進行中。

spark_streaming使用kafka保證數據零丟失

spark streaming從1.2開始提供了數據的零丟失，想享受這個特性，需要滿足如下條件：

1.數據輸入需要可靠的sources和可靠的receivers

2.應用metadata必須通過應用driver checkpoint

3.WAL（write ahead log）

##可靠的sources和receivers

spark streaming可以通過多種方式作為數據sources（包括kafka），輸入數據通過receivers接收，通過replication存儲于spark中（為了faultolerance，默認復制到兩個spark executors），如果數據復制完成，receivers可以知道（例如kafka中更新offsets到zookeeper中）。這樣當receivers在接收數據過程中crash掉，不會有數據丟失，receivers沒有復制的數據，當receiver恢復后重新接收。

Spark Streaming怎樣使用Kafka保證數據零丟失

##metadata checkpoint

可靠的sources和receivers，可以使數據在receivers失敗后恢復，然而在driver失敗后恢復是比較復雜的，一種方法是通過checkpoint metadata到HDFS或者S3。metadata包括：

configuration
code
一些排隊等待處理但沒有完成的RDD（僅僅是metadata，而不是data）

這樣當driver失敗時，可以通過metadata checkpoint，重構應用程序并知道執行到那個地方。

##數據可能丟失的場景

可靠的sources和receivers，以及metadata checkpoint也不可以保證數據的不丟失，例如：

兩個executor得到計算數據，并保存在他們的內存中
receivers知道數據已經輸入
executors開始計算數據
driver突然失敗
driver失敗，那么executors都會被kill掉
因為executor被kill掉，那么他們內存中得數據都會丟失，但是這些數據不再被處理
executor中的數據不可恢復

##WAL

為了避免上面情景的出現，spark streaming 1.2引入了WAL。所有接收的數據通過receivers寫入HDFS或者S3中checkpoint目錄，這樣當driver失敗后，executor中數據丟失后，可以通過checkpoint恢復。 Spark Streaming怎樣使用Kafka保證數據零丟失

##At-Least-Once 盡管WAL可以保證數據零丟失，但是不能保證exactly-once，例如下面場景：

Receivers接收完數據并保存到HDFS或S3
在更新offset前，receivers失敗了
Spark Streaming以為數據接收成功，但是Kafka以為數據沒有接收成功，因為offset沒有更新到zookeeper
隨后receiver恢復了
從WAL可以讀取的數據重新消費一次，因為使用的kafka High-Level消費API，從zookeeper中保存的offsets開始消費

##WAL的缺點通過上面描述，WAL有兩個缺點：

降低了receivers的性能，因為數據還要存儲到HDFS等分布式文件系統
對于一些resources，可能存在重復的數據，比如Kafka，在Kafka中存在一份數據，在Spark Streaming也存在一份（以WAL的形式存儲在hadoop API兼容的文件系統中）

##Kafka direct API 為了WAL的性能損失和exactly-once，spark streaming1.3中使用Kafka direct API。非常巧妙，Spark driver計算下個batch的offsets，指導executor消費對應的topics和partitions。消費Kafka消息，就像消費文件系統文件一樣。 Spark Streaming怎樣使用Kafka保證數據零丟失