数据源用完时如何停止火花流答案

【问题标题】：How to stop spark streaming when the data source has run out数据源用完时如何停止火花流
【发布时间】：2016-05-07 17:00:21
【问题描述】：

我有一个 spark 流作业，它每 5 秒从 Kafka 读取一次，对传入的数据进行一些转换，然后写入文件系统。

这实际上并不需要是一个流式作业，实际上，我只想每天运行一次以将消息排入文件系统。不过我不确定如何停止这项工作。

如果我将超时传递给streamingContext.awaitTermination，它不会停止进程，它所做的只是导致进程在迭代流时产生错误（参见下面的错误）

完成我想做的事情的最佳方法是什么

这适用于 Python 上的 Spark 1.6

编辑：

感谢@marios，解决方案是这样的：

ssc.start()
ssc.awaitTermination(10)
ssc.stop()

在停止之前运行脚本十秒钟。

简化代码：

conf = SparkConf().setAppName("Vehicle Data Consolidator").set('spark.files.overwrite','true')
sc = SparkContext(conf=conf)
ssc = StreamingContext(sc, 5)
stream = KafkaUtils.createStream(
    ssc,
    kafkaParams["zookeeper.connect"],
    "vehicle-data-importer",
    topicPartitions,
    kafkaParams)

stream.saveAsTextFiles('stream-output/kafka-vehicle-data')

ssc.start()
ssc.awaitTermination(10)

错误：

16/01/29 15:05:44 INFO BlockManagerInfo: Added input-0-1454097944200 in memory on localhost:58960 (size: 3.0 MB, free: 48.1 MB)
16/01/29 15:05:44 WARN BlockManager: Block input-0-1454097944200 replicated to only 0 peer(s) instead of 1 peers
16/01/29 15:05:44 INFO BlockGenerator: Pushed block input-0-1454097944200
16/01/29 15:05:45 ERROR JobScheduler: Error generating jobs for time 1454097945000 ms
py4j.Py4JException: Cannot obtain a new communication channel
    at py4j.CallbackClient.sendCommand(CallbackClient.java:232)
    at py4j.reflection.PythonProxyHandler.invoke(PythonProxyHandler.java:111)
    at com.sun.proxy.$Proxy14.call(Unknown Source)
    at org.apache.spark.streaming.api.python.TransformFunction.callPythonTransformFunction(PythonDStream.scala:92)
    at org.apache.spark.streaming.api.python.TransformFunction.apply(PythonDStream.scala:78)
    at org.apache.spark.streaming.api.python.PythonTransformedDStream.compute(PythonDStream.scala:230)
    at org.apache.spark.streaming.dstream.DStream$$anonfun$getOrCompute$1$$anonfun$1$$anonfun$apply$7.apply(DStream.scala:352)
    at org.apache.spark.streaming.dstream.DStream$$anonfun$getOrCompute$1$$anonfun$1$$anonfun$apply$7.apply(DStream.scala:352)
    at scala.util.DynamicVariable.withValue(DynamicVariable.scala:57)
    at org.apache.spark.streaming.dstream.DStream$$anonfun$getOrCompute$1$$anonfun$1.apply(DStream.scala:351)
    at org.apache.spark.streaming.dstream.DStream$$anonfun$getOrCompute$1$$anonfun$1.apply(DStream.scala:351)
    at org.apache.spark.streaming.dstream.DStream.createRDDWithLocalProperties(DStream.scala:426)
    at org.apache.spark.streaming.dstream.DStream$$anonfun$getOrCompute$1.apply(DStream.scala:346)
    at org.apache.spark.streaming.dstream.DStream$$anonfun$getOrCompute$1.apply(DStream.scala:344)
    at scala.Option.orElse(Option.scala:257)
    at org.apache.spark.streaming.dstream.DStream.getOrCompute(DStream.scala:341)
    at org.apache.spark.streaming.dstream.ForEachDStream.generateJob(ForEachDStream.scala:47)
    at org.apache.spark.streaming.DStreamGraph$$anonfun$1.apply(DStreamGraph.scala:115)
    at org.apache.spark.streaming.DStreamGraph$$anonfun$1.apply(DStreamGraph.scala:114)
    at scala.collection.TraversableLike$$anonfun$flatMap$1.apply(TraversableLike.scala:251)
    at scala.collection.TraversableLike$$anonfun$flatMap$1.apply(TraversableLike.scala:251)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:47)
    at scala.collection.TraversableLike$class.flatMap(TraversableLike.scala:251)
    at scala.collection.AbstractTraversable.flatMap(Traversable.scala:105)
    at org.apache.spark.streaming.DStreamGraph.generateJobs(DStreamGraph.scala:114)
    at org.apache.spark.streaming.scheduler.JobGenerator$$anonfun$3.apply(JobGenerator.scala:248)
    at org.apache.spark.streaming.scheduler.JobGenerator$$anonfun$3.apply(JobGenerator.scala:246)
    at scala.util.Try$.apply(Try.scala:161)
    at org.apache.spark.streaming.scheduler.JobGenerator.generateJobs(JobGenerator.scala:246)
    at org.apache.spark.streaming.scheduler.JobGenerator.org$apache$spark$streaming$scheduler$JobGenerator$$processEvent(JobGenerator.scala:181)
    at org.apache.spark.streaming.scheduler.JobGenerator$$anon$1.onReceive(JobGenerator.scala:87)
    at org.apache.spark.streaming.scheduler.JobGenerator$$anon$1.onReceive(JobGenerator.scala:86)
    at org.apache.spark.util.EventLoop$$anon$1.run(EventLoop.scala:48)
16/01/29 15:05:45 INFO MemoryStore: Block input-0-1454097944800 stored as bytes in memory (estimated size 3.0 MB, free 466.1 MB)
16/01/29 15:05:45 INFO BlockManagerInfo: Added input-0-1454097944800 in memory on localhost:58960 (size: 3.0 MB, free: 45.1 MB)

【问题讨论】：

你怎么知道数据源已经出局了？顺便说一句，您可以在ssc.awaitTermination 之后调用ssc.stop() 来停止Streaming 应用程序。
恕我直言，如果您只需要每天读取一次数据，请创建一个 Spark Batch 作业来读取和处理数据，并进一步使用诸如 cron 或 Quartz 之类的调度程序来安排您的作业。跨度>
执行单个批处理（使用 createRDD）的问题是没有简单的方法来跟踪 zookeeper 中的偏移量。这是我想在这里实现的目标之一
我考虑过调用ssc.stop，但我无法弄清楚如何异步调用它

标签： python apache-spark apache-kafka pyspark spark-streaming

【解决方案1】：

似乎正确的调用方法是awaitTerminationOrTimeout(self, timeout)。

我不确定它是否也会停止流式传输上下文。因此，也许您可以在超时结束后立即调用 ssc.stop()。

ssc.start()
ssc.awaitTerminationOrTimeout(10)
ssc.stop()

注意：查看here 是否有类似问题。

【讨论】：

如果你发现一个骗子标记它。
这不是完全重复的（但可能与某人有关）。那里的问题是如何停止流式套接字而不是关闭整个火花上下文。问题还在于在 Scala 中运行的 twitter 上下文，而不是在 pyspark 上运行的 Kafka。
如果这不是答案，也许评论更合适
这是正确答案。 ssc.awaitTermination(10) 阻止脚本执行，但实际上并没有停止流上下文。

【解决方案2】：

试一试Kafka“consumer.timeout.ms”参数，它将优雅地结束KafkaReceiver。（来自kafka 0.8 configuration）

如果没有可用消息，则向消费者抛出超时异常指定时间间隔后消费

HDF = KafkaUtils.createStream(ssc, topics={strLoc : 1}, kafkaParams={"consumer.timeout.ms":"20000" }, zkQuorum='xxx:2181', groupId='xxx-consumer-group')

您将无法在当前流式执行中接收任何新的 kafka 消息，并且总是得到空 RDD。
并检查 DSteam.foreachRDD(func) 中空 RDD 的计数。如果您不断获得空 RDD，则终止流式执行。

【讨论】：

试过这个：kafkaParams = { "metadata.broker.list": str.join(',',brokers), "zookeeper.connect": str.join(',',zkNodes), "consumer.id": "vehicle-data-importer", "group.id":"importers", "auto.offset.reset": "smallest", "consumer.timeout.ms": "10000" }没有效果
"consumer.timeout.ms" 不会停止流式执行，但会终止 kafka 接收器以等待更多消息，即使新消息稍后到达。您可以简单地使用“ssc.awaitTerminationOrTimeout(10)”，但这并不安全。

【解决方案3】：

这里的问题从 1.6 开始，在与 Dstream 处理线程相同的线程中调用 ssc.stop 会创建死锁，因为 stop 会等待轮询线程完成创建 deadlock.sp 从另一个线程调用停止

【讨论】：