如何从 Spark 结构化流获取 Kafka 输出中的批次 ID

Question

我正在更新模式下运行 Spark 结构化流作业，并且无法确定是否可以获取每个更新的批次 ID。例如，当您以更新模式输出到控制台时，Spark 将在输出时显示每个批次编号：

-------------------------------------------

Batch: 0

-------------------------------------------

...

-------------------------------------------

Batch: 1

-------------------------------------------

...

等等。我需要将相同的信息添加到发送到 Kafka 的每条消息中。为此，我只能使用 Spark 2.3，因此我无法使用 forEachBatch。

我的工作输出一组特定维度的聚合指标。每个触发器，自上次触发器以来指标可能已更新 - 具有更新指标的维度将在下一批中输出，因为我正在更新模式下运行。当我将这些输出到 Kafka 时，我需要知道哪个批次是最新的 - 因此需要批次号。我认为 forEachBatch 可以满足我的需要，但不幸的是我无法访问 Spark 2.4。我可以使用 forEach 来完成这个任务吗？我仅限于使用更新模式，因为后期事件可能会出现并更新之前已输出的指标。

这是我用来测试的控制台模式。此输出分别显示每个批次及其编号：

StreamingQuery query = logs.writeStream()

        .format("console")

        .outputMode(OutputMode.Update())

        .start();

我想做这样的事情

StreamingQuery query = agg.WriteStream()

    .format("kafka")

    .outputMode(OutputMode.Update())

    .option("kafka.bootstrap.servers", "myconnection")

    .Option("topic", "mytopic")

    .Start();

但仍然保留在mytopic中判断消息来自哪个批次的能力。这可能吗？

Answer 1

我认为你可以使用版本long version号ForeachWriter你可以像这样实现你自己的KafkaCustomSink。class KafkaCustomSink(val config: Config) extends ForeachWriter[String] {  var producer: KafkaProducer[String, String] = _  var _version: Long = _  override def open(partitionId: Long, version: Long): Boolean = {    _version = version    val props = new Properties()    props.put("bootstrap.servers", config(Constant.OUTPUT_BOOTSTRAP_SERVER))    props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer")    props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer")    props.put("acks", "0")    producer = new KafkaProducer[String, String](props)    true  }  override def process(value: String): Unit = {    //use version here    val record = new ProducerRecord[String, String](config(Constant.OUTPUT_TOPIC), null, "version : %s, data : %s".format(_version, value))    producer.send(record)  }  override def close(errorOrNull: Throwable): Unit = {    producer.close()  }}并将其分配给      logs          .writeStream          .outputMode("update")          .foreach(new KafkaCustomSink(config))          .trigger(Trigger.ProcessingTime(config(Constant.TRIGGER_INTERVAL).toInt, TimeUnit.SECONDS))          .option("checkpointLocation", config(Constant.CHECKPOINT_LOCATION))