pyspark 流式提交到 kafka 的偏移量

Question

根据文档，可以从（scala）火花流应用程序中commit offset into kafka。 我想从 pyspark 实现相同的功能。
或者至少将 kafka 分区、偏移量存储到外部数据存储（RDBMS 等）中。

然而，用于 kafka 集成的 pyspark api 仅提供 RDD(offset, value)] 而不是 RDD[ConsumerRecord]（如在 scala 中）。 有没有办法从 python RDD 中获取(topic, partition, offset)？并坚持到其他地方？

Answer 1

我们可以通过多种方式处理偏移量。我们可以将 Offset 值存储在每个成功处理数据的 Zookeeper 路径中的一种方法，并在我们再次创建流时读取该值。代码 sn-p 如下。

from kazoo.client import KazooClient
zk = KazooClient(hosts='127.0.0.1:2181')
zk.start()
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']

def save_offsets(rdd):
    zk = get_zookeeper_instance()
    for offset in rdd.offsetRanges():
        path = f"/consumers/{var_topic_src_name}"
        print(path)
        zk.ensure_path(path)
        zk.set(path, str(offset.untilOffset).encode())

    var_offset_path = f'/consumers/{var_topic_src_name}'

    try:
        var_offset = int(zk.get(var_offset_path)[0])
    except:
        print("The spark streaming started First Time and Offset value should be Zero")
        var_offset  = 0
    var_partition = 0
    enter code here
    topicpartion = TopicAndPartition(var_topic_src_name, var_partition)
    fromoffset = {topicpartion: var_offset}
    print(fromoffset)
    kvs = KafkaUtils.createDirectStream(ssc,\
                                        [var_topic_src_name],\
                                        var_kafka_parms_src,\
                                        valueDecoder=serializer.decode_message,\
                                        fromOffsets = fromoffset)
    kvs.foreachRDD(handler)
    kvs.foreachRDD(save_offsets)