我正在使用 spark 1.5.2
. 我需要使用kafka作为流媒体源来运行spark streaming工作 . 我需要从kafka中的多个主题中读取并以不同方式处理每个主题 .
-
在同一份工作中做这件事是个好主意吗?如果是这样,我应该为每个主题创建一个包含多个分区或不同流的单个流吗?
-
我正在使用kafka直接蒸汽 . 据我所知,spark为每个分区启动了长时间运行的接收器 . 我有一个相对较小的集群,6个节点,每个节点有4个核心 . 如果我在每个主题中都有很多主题和分区,那么效率是否会受到影响,因为大多数执行者都忙于长时间运行的接收器? Please correct me if my understanding is wrong here
2 回答
我做了以下观察,以防它对某人有帮助:
在kafka直接流中,接收器不会作为长时间运行的任务运行 . 在每个批处理inerval的开头,首先从执行程序中的kafka读取数据 . 一旦阅读,处理部分就会接管 .
如果我们创建具有多个主题的单个流,则会一个接一个地读取主题 . 此外,过滤dstream以应用不同的处理逻辑将为作业添加另一个步骤
创建多个流有两种方式:1 . 您不需要应用过滤操作来以不同方式处理不同的主题 . 2.您可以并行读取多个流(而不是单个流的情况下逐个读取) . 为此,有一个未记录的配置参数
spark.streaming.concurrentJobs*
. 所以,我决定创建多个流 .我认为正确的解决方案取决于您的用例 .
如果您的处理逻辑对于来自所有主题的数据是相同的,那么毫无疑问,这是一种更好的方法 .
如果处理逻辑不同,我猜你从所有主题中得到一个RDD,你必须为每个处理逻辑创建一个pairedrdd并单独处理它 . 问题在于,这会创建一种分组处理,整体处理速度将由需要最长时间处理的主题确定 . 因此,数据较少的主题必须等到处理所有主题的数据 . 一个优点是,如果它是时间序列数据,那么处理一起进行,这可能是一件好事 .
运行独立作业的另一个好处是可以更好地控制并调整资源共享 . 例如:处理具有高吞吐量的主题的作业可以被分配更高的CPU /内存 .