如何在 Spark 结构化流中手动设置 group.id 并提交 kafka 偏移量？

Question

我正在阅读 Spark 结构化流式传输 - Kafka 集成指南here。

在这个链接上被告知

enable.auto.commit：Kafka 源不提交任何偏移量。

那么，一旦我的 spark 应用程序成功处理了每条记录，我该如何手动提交偏移量？

Answer 1

tl;博士

无法向 Kafka 提交任何消息。从 Spark 版本 3.x 开始，您可以定义 Kafka 消费者组的名称，但是，这仍然不允许您提交任何消息。

---

自 Spark 3.0.0

根据Structured Kafka Integration Guide，您可以提供ConsumerGroup 作为选项kafka.group.id：

val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2")
  .option("subscribe", "topic1")
  .option("kafka.group.id", "myConsumerGroup")
  .load()

但是，Spark 仍然不会提交任何偏移量，因此您将无法“手动”向 Kafka 提交偏移量。此功能旨在处理 Kafka 的最新功能 Authorization using Role-Based Access Control，您的 ConsumerGroup 通常需要遵循命名约定。

讨论并解决了 Spark 3.x 应用程序的完整示例here。

直到 Spark 2.4.x

Spark Structured Streaming + Kafka integration Guide 清楚地说明了它如何管理 Kafka 偏移量。 Spark 将不会将任何消息提交回 Kafka，因为它依赖于内部偏移管理来实现容错。

用于管理偏移量的最重要的 Kafka 配置是：

• group.id： Kafka 源将为每个查询自动创建一个唯一的组 ID。根据code group.id 将设置为

val uniqueGroupId = s"spark-kafka-source-${UUID.randomUUID}-${metadataPath.hashCode}"

• auto.offset.reset： 设置源选项startingOffsets 来指定从哪里开始。 Structured Streaming 管理内部使用的偏移量，而不是依赖 kafka Consumer 来完成。
• enable.auto.commit： Kafka 源不提交任何偏移量。

因此，在结构化流中，目前无法为 Kafka 消费者定义您的自定义 group.id，并且结构化流在内部管理偏移量，而不是提交回 Kafka（也不是自动）。

2.4.x 在行动

假设您有一个简单的 Spark Structured Streaming 应用程序，它可以读取和写入 Kafka，如下所示：

// create SparkSession
val spark = SparkSession.builder()
  .appName("ListenerTester")
  .master("local[*]")
  .getOrCreate()

// read from Kafka topic
val df = spark.readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "localhost:9092")
  .option("subscribe", "testingKafkaProducer")
  .option("failOnDataLoss", "false")
  .load()

// write to Kafka topic and set checkpoint directory for this stream
df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
  .writeStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "localhost:9092")
  .option("topic", "testingKafkaProducerOut")
  .option("checkpointLocation", "/home/.../sparkCheckpoint/")
  .start()

Spark 的偏移管理

一旦提交了这个应用程序并正在处理数据，可以在检查点目录中找到相应的偏移量：

myCheckpointDir/offsets/

{"testingKafkaProducer":{"0":1}}

这里检查点文件中的条目确认下一个要消耗的分区0的偏移量是1。这意味着应用程序已经处理了来自名为testingKafkaProducer 的主题的分区0 的偏移量0。

有关容错语义的更多信息请参见 Spark Documentation。

Kafka 的偏移管理

但是，如文档中所述，偏移量未提交回 Kafka。 这可以通过执行Kafka安装的kafka-consumer-groups.sh来检查。

./kafka/current/bin/kafka-consumer-groups.sh --bootstrap-server localhost:9092 --describe --group "spark-kafka-source-92ea6f85-[...]-driver-0 "

TOPIC                PARTITION  CURRENT-OFFSET  LOG-END-OFFSET  LAG  CONSUMER-ID      HOST         CLIENT-ID
testingKafkaProducer 0          -               1               -    consumer-1-[...] /127.0.0.1   consumer-1

Kafka 不知道此应用程序的当前偏移量，因为它从未被提交。

可能的解决方法

请仔细阅读以下来自 Spark 提交者 @JungtaekLim 关于解决方法的 cmets：“Spark 的容错保证基于 Spark 完全控制偏移管理这一事实，如果他们试图修改它。（例如，如果他们更改为向 Kafka 提交偏移量，则没有批处理信息，并且如果 Spark 需要移回特定批处理，则“后面”保证不再有效。）”

我在网上看到的一些研究是，您可以在 Spark 的自定义 StreamingQueryListener 中的 onQueryProgress 方法的回调函数中提交偏移量。这样，您可以拥有一个跟踪当前进度的消费者组。但是，它的进展不一定与实际的消费者群体保持一致。

以下是一些您可能会发现有用的链接：

• Code Example for Listener

• Discussion on SO around offset management

• General description on the StreamingQueryListener