第4课：Spark Streaming的Exactly Once的事务处理

标签：

本期内容：

Exactly once

输出不重复

Exactly once

1，事务一定会被处理，且只被处理一次；

2，输出能够输出且只会被输出。

Exactly Once的事务处理：

1，数据零丢失：必须有可靠的数据来源和可靠的Receiver，且整个应用程序的metadata必须进行checkpoint，且通过WAL来保证数据安全；

2，Spark Streaming 1.3的时候为了避免WAL的性能损失和实现Exactly Once而提供了Kafka Direct API，把Kafka作为文件存储系统！！！

      此时兼具有流的优势和文件系统的优势，至此，Spark Streaming+Kafka就构建了完美的流处理世界！！！

      所有的Executors通过Kafka API直接消费数据，直接管理Offset，所以也不会重复消费数据；事务实现啦！！！

数据丢失及其具体的解决方式：

在Receiver收到数据且通过Driver的调度Executor开始计算数据的时候如果Driver突然崩溃，则此时Executor会被Kill掉，那么Executor中的数据就会丢失，此时就必须通过例如WAL的方式让所有的数据都通过例如HDFS的方式首先进行安全性容错处理，此时如果Executor中的数据丢失的话就可以通过WAL恢复回来；

数据重复读取的情况：

在Receiver收到数据且保存到了HDFS等持久化引擎但是没有来得及进行updateOffsets，此时Receiver崩溃后重新启动就会通过管理Kafka的ZooKeeper中元数据再次重复读取数据，但是此时SparkStreaming认为是成功的，但是Kafka认为是失败的（因为没有更新offset到ZooKeeper中），此时就会导致数据重新消费的情况。

性能损失：
1，通过WAL方式会极大的损伤Spark Streaming中Receivers接受数据的性能；
2，如果通过Kafka的作为数据来源的话，Kafka中有数据，然后Receiver接受的时候又会有数据副本，这个时候其实是存储资源的浪费；

关于Spark Streaming数据输出多次重写及其解决方案：

1，为什么会有这个问题，因为SparkStreaming在计算的时候基于SparkCore，SparkCore天生会做以下事情导致SparkStreaming的结果（部分）重复输出：

  Task重试；

  慢任务推测；

  Stage重复；

  Job重试；

2，具体解决方案：

  设置spark.task.maxFailures次数为1；

  设置spark.speculation为关闭状态（因为慢任务推测其实非常消耗性能，所以关闭后可以显著提高Spark Streaming处理性能）

  Spark Streaming on Kafka的话，Job失败后可以设置auto.offset.reset为“largest”的方式。

第4课：Spark Streaming的Exactly Once的事务处理

标签：

原文地址：http://blog.csdn.net/chinsun_1/article/details/51343935