pySpark Kafka Direct Streaming 更新 Zookeeper / Kafka Offset

Question

目前我正在使用 Kafka/Zookeeper 和 pySpark (1.6.0)。我已经成功创建了一个 kafka 消费者，它使用KafkaUtils.createDirectStream().

所有流都没有问题，但我认识到，在我消费了一些消息后，我的 Kafka 主题没有更新到当前偏移量。

由于我们需要更新主题以在此处进行监控，这在某种程度上很奇怪。

在 Spark 的文档中，我发现了这个评论：

   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 监控工具显示流应用程序的进度，您可以使用它来自己更新 Zookeeper。

这是文档：http : //spark.apache.org/docs/1.6.0/streaming-kafka-integration.html#approach-2-direct-approach-no-receivers

我在 Scala 中找到了一个解决方案，但找不到 Python 的等价物。这是 Scala 示例：http : //geeks.aretotally.in/spark-streaming-kafka-direct-api-store-offsets-in-zk/

题

但问题是，从那时起我如何能够更新动物园管理员？

Answer 1

我编写了一些函数来使用 python kazoo库保存和读取 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']

然后函数读取和写入偏移量：

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())

然后在开始流式传输之前，您可以从 zookeeper 读取偏移量并将它们传递给createDirectStream 作为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()