清除检查点位置后，Spark Structured Streaming 使用的旧 Kafka 偏移量

Question

我已经使用 Apache Kafka 和 Apache Spark 结构化流构建了一个应用程序。我面临以下问题。

场景：

我设置了一个带有 Kafka 主题源的 Spark 结构化流，并且作为 Kafka 主题下沉。
我们运行流并在Kafka上产生了一些消息主题。
我们通过清除检查点停止了流并重新启动了流流的位置。运行ning 后 5 到 6 小时后流是随机消费旧的 Kafka 消息。

清除检查点位置后，我原以为流中只有新消息。
火花版本：2.4.0， Kafka-客户端版本：2.0.0，卡夫卡版本：2.0.0，集群管理器：Kubernetes。

我已经通过更改检查点位置尝试了这种情况，但问题仍然存在。

{
SparkConf sparkConf = new SparkConf().setAppName("SparkKafkaConsumer");
SparkSession spark = SparkSession.builder().config(sparkConf).getOrCreate();
Dataset<Row> stream = spark
        .readStream()
        .format("kafka")
            .option("kafka.bootstrap.servers", "localhost:9092")
            .option(subscribeType, "REQUEST_TOPIC")
            .option("failOnDataLoss",false)
            .option("maxOffsetsPerTrigger","50")
            .option("startingOffsets","latest")
            .load()
            .selectExpr(
                  "CAST(value AS STRING) as payload",
                  "CAST(key AS STRING)",
                  "CAST(topic AS STRING)",
                  "CAST(partition AS STRING)",
                  "CAST(offset AS STRING)",
                  "CAST(timestamp AS STRING)",
                  "CAST(timestampType AS STRING)");

DataStreamWriter<String>  dataWriterStream = stream
            .writeStream()
            .format("kafka")
            .option("kafka.bootstrap.servers", "localhost:9092")
            .option("kafka.max.request.size", "35000000")
            .option("kafka.retries", "5")
            .option("kafka.batch.size", "35000000")
            .option("kafka.receive.buffer.bytes", "200000000")
            .option("kafka.acks","0")
            .option("kafka.compression.type", "snappy")
            .option("kafka.linger.ms", "0")
            .option("kafka.buffer.memory", "50000000")
            .option("topic", "RESPONSE_TOPIC")
            .outputMode("append")
            .option("checkpointLocation", checkPointDirectory);
spark.streams().awaitAnyTermination();

}

Answer 1

检查下方 link、

https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-rdd-checkpointing.html

您调用 SparkContext.setCheckpointDir(directory: String) 来设置检查点目录——RDD 检查点所在的目录。如果运行在群集上，则该目录必须是 HDFS 路径。原因是驱动程序可能会尝试从其自己的本地文件系统重建检查点 RDD，这是不正确的，因为检查点文件实际上在执行程序机器上

清除检查点位置后，Spark Structured Streaming 使用的旧 Kafka 偏移量

Old Kafka Offset consuming by Spark Structured Streaming after clearing Checkpointing location

java

apache-kafka

apache-spark

spark-structured-streaming