apache spark streaming - kafka - 阅读旧消息

Question

我正在尝试使用火花流读取来自 Kafka 的旧消息。但是，我只能在实时发送消息时检索它们（即，如果我在 spark 程序运行时填充新消息 - 然后我会收到这些消息）。

我正在更改我的 groupID 和 consumerID 以确保 zookeeper 不只是不发送它知道我的程序以前见过的消息。

假设 spark 将 zookeeper 中的偏移量视为 -1，它不应该读取队列中的所有旧消息吗？我只是误解了 kafka 队列的使用方式吗？我对火花和卡夫卡很陌生，所以我不能排除我只是误解了一些东西。

package com.kibblesandbits

import org.apache.spark.SparkContext
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.kafka.KafkaUtils

import net.liftweb.json._

object KafkaStreamingTest {

  val cfg = new ConfigLoader().load
  val zookeeperHost = cfg.zookeeper.host
  val zookeeperPort = cfg.zookeeper.port
  val zookeeper_kafka_chroot = cfg.zookeeper.kafka_chroot

  implicit val formats = DefaultFormats 

  def parser(json: String): String = {
    return json
}

def main(args : Array[String]) {
  val zkQuorum = "test-spark02:9092"

  val group = "myGroup99"
  val topic = Map("testtopic" -> 1)
  val sparkContext = new SparkContext("local[3]", "KafkaConsumer1_New")
  val ssc = new StreamingContext(sparkContext, Seconds(3))
  val json_stream = KafkaUtils.createStream(ssc, zkQuorum, group, topic)
  var gp = json_stream.map(_._2).map(parser)

  gp.saveAsTextFiles("/tmp/sparkstreaming/mytest", "json")
  ssc.start()
}

运行此程序时，我将看到以下消息。所以我相信这不仅仅是因为设置了偏移量而没有看到消息。

14/12/05 13:34:08 信息 ConsumerFetcherManager： [ConsumerFetcherManager-1417808045047] 为分区添加了 fetcher ArrayBuffer([[testtopic,0], initOffset -1 到代理 id:1,host:test-spark02.vpc,port:9092] , [[testtopic,1], initOffset -1 to broker id:1,host:test-spark02.vpc,port:9092] , [[testtopic,2], initOffset -1 到代理 id:1,host:test-spark02.vpc,port:9092] , [[testtopic,3], initOffset -1 到代理 id:1,host:test-spark02.vpc,port:9092] , [[testtopic,4], initOffset -1 到代理 id:1,host:test-spark02.vpc,port:9092])

然后，如果我填充 1000 条新消息——我可以看到这 1000 条消息保存在我的临时目录中。但是我不知道如何阅读现有的消息，这些消息应该在（此时）数万。

Answer 1

在KafkaUtils 上使用替代工厂方法，让您向 Kafka 消费者提供配置：

def createStream[K: ClassTag, V: ClassTag, U <: Decoder[_]: ClassTag, T <: Decoder[_]: ClassTag](
      ssc: StreamingContext,
      kafkaParams: Map[String, String],
      topics: Map[String, Int],
      storageLevel: StorageLevel
    ): ReceiverInputDStream[(K, V)]

然后使用您的 kafka 配置构建地图并将参数“kafka.auto.offset.reset”设置为“smallest”：

val kafkaParams = Map[String, String](
      "zookeeper.connect" -> zkQuorum, "group.id" -> groupId,
      "zookeeper.connection.timeout.ms" -> "10000",
      "kafka.auto.offset.reset" -> "smallest"
)

将该配置提供给上面的工厂方法。 "kafka.auto.offset.reset" -> "smallest" 告诉消费者从你主题中的最小偏移量开始。