在 Spark 批处理作业中读取 Kafka 主题

Question

我正在编写一个从 Kafka 主题读取的 Spark (v1.6.0) 批处理作业。
为此，我可以使用 org.apache.spark.streaming.kafka.KafkaUtils#createRDD 但是， 我需要为所有分区设置偏移量，还需要将它们存储在某个地方（ZK？HDFS？）以知道从哪里开始下一个批处理作业。

在批处理作业中从 Kafka 读取数据的正确方法是什么？

我也在考虑写一个 streaming 作业，它从 auto.offset.reset=smallest 读取并保存检查点 到 HDFS，然后在下一次运行中从那里开始。

但在这种情况下，我怎样才能只获取一次并在第一批之后停止流式传输？

Answer 1

createRDD 是从 kafka 读取批次的正确方法。

要查询有关最新/最早可用偏移量的信息，请查看KafkaCluster.scala 方法getLatestLeaderOffsets 和getEarliestLeaderOffsets。该文件是 private，但在最新版本的 spark 中应该是 public。