KafkaStreams EXACTLY_ONCE 保证 - 跳过 kafka 偏移量

Question

我正在使用Spark 2.2.0和kafka 0.10 spark-streamstream库来读取充满Kafka-Streams scala应用程序的主题。Kafka Broker 版本是 0.11，Kafka-streams 版本是 0.11.0.2。

当我在Kafka-Stream应用程序中设置EXACTLY_ONCE保证时：

p.put(StreamsConfig.PROCESSING_GUARANTEE_CONFIG, StreamsConfig.EXACTLY_ONCE)

我在 Spark 中收到此错误：

java.lang.AssertionError: assertion failed: Got wrong record for spark-executor-<group.id> <topic> 0 even after seeking to offset 24
at scala.Predef$.assert(Predef.scala:170)
at org.apache.spark.streaming.kafka010.CachedKafkaConsumer.get(CachedKafkaConsumer.scala:85)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.next(KafkaRDD.scala:223)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.next(KafkaRDD.scala:189)
at scala.collection.Iterator$class.foreach(Iterator.scala:893)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.foreach(KafkaRDD.scala:189)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48)
at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.to(KafkaRDD.scala:189)
at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:302)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.toBuffer(KafkaRDD.scala:189)
at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:289)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.toArray(KafkaRDD.scala:189)
at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:936)
at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:936)
at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:2062)
at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:2062)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
at org.apache.spark.scheduler.Task.run(Task.scala:108)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:335)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
at java.lang.Thread.run(Thread.java:748)

如果未设置EXACTLY_ONCE属性，则正常工作。

编辑 1： 充满 kafka 流应用程序的主题(正好启用一次)具有错误的结束偏移量。当我运行kafka.tools.GetOffsetShell时，它给出的结束偏移量为18，但在主题中只有12条消息(保留被禁用)。当恰好禁用一次保证时，这些偏移量将匹配。我试图根据这个重置卡夫卡流，但问题仍然存在。

编辑2： 当我使用 --print-offsets选项运行SimpleConsumerShell时，输出是 folowing：

next offset = 1
{"timestamp": 149583551238149, "data": {...}}
next offset = 2
{"timestamp": 149583551238149, "data": {...}}
next offset = 4
{"timestamp": 149583551238149, "data": {...}}
next offset = 5
{"timestamp": 149583551238149, "data": {...}}
next offset = 7
{"timestamp": 149583551238149, "data": {...}}
next offset = 8
{"timestamp": 149583551238149, "data": {...}}
...

当启用恰好一次的 dellivery 保证时，显然会跳过某些偏移量。

有什么想法吗？什么会导致这种情况？谢谢！

Answer 1

我发现偏移间隙是 Kafka(版本>= 0.11)中的预期行为，这些是由提交/中止事务标记引起的。

有关 kafka 事务和控制消息的更多信息，请参阅此处：

这些事务标记不向应用程序公开，但 使用者在read_committed模式下用于过滤掉来自 中止的事务，并且不返回属于打开部分的消息 事务(即，那些在日志中但没有 与他们关联的交易标记)。

和这里。

Kafka 事务是在 Kafka 0.11 中引入的，所以我假设 spark-streaming-kafka 库 0.10 与这种消息格式不兼容，并且新版本的 spark-streaming-kafka 尚未实现。