前面的文章已经介绍了在spark streaming集成kafka时，如何处理其偏移量的问题，由于spark streaming自带的checkpoint弊端非常明显，所以一些对数据一致性要求比较高的项目里面，不建议采用其自带的checkpoint来做故障恢复。
在spark streaming1.3之后的版本支持direct kafka stream，这种策略更加完善，放弃了原来使用Kafka的高级API自动保存数据的偏移量，之后的版本采用Simple API也就是更加偏底层的api，我们既可以用checkpoint来容灾，也可以通过低级api来获取偏移量自己管理偏移量，这样以来无论是程序升级，还是故障重启，在框架端都可以做到Exact One准确一次的语义。
本篇文章，会再介绍下，如何手动管理kafka的offset，并给出具体的代码加以分析：
版本：
apache spark streaming2.1
apache kafka 0.9.0.0
手动管理offset的注意点：
（1）第一次项目启动的时候，因为zk里面没有偏移量，所以使用KafkaUtils直接创建InputStream，默认是从最新的偏移量开始消费，这一点可以控制。
（2）如果非第一次启动，zk里面已经存在偏移量，所以我们读取zk的偏移量，并把它传入到KafkaUtils中，从上次结束时的偏移量开始消费处理。
（3）在foreachRDD里面，对每一个批次的数据处理之后，再次更新存在zk里面的偏移量
注意上面的3个步骤，1和2只会加载一次，第3个步骤是每个批次里面都会执行一次。
下面看第一和第二个步骤的核心代码：
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
2 *
3 * @param ssc StreamingContext
4 * @param kafkaParams 配置kafka的参数
5 * @param zkClient zk连接的client
6 * @param zkOffsetPath zk里面偏移量的路径
7 * @param topics 需要处理的topic
8 * @return InputDStream[(String, String)] 返回输入流
9 */
10 def createKafkaStream(ssc: StreamingContext,
11 kafkaParams: Map[String, String],
12 zkClient: ZkClient,
13 zkOffsetPath: String,
14 topics: Set[String]): InputDStream[(String, String)]={
15 //目前仅支持一个topic的偏移量处理，读取zk里面偏移量字符串
16 val zkOffsetData=KafkaOffsetManager.readOffsets(zkClient,zkOffsetPath,topics.last)
17
18 val kafkaStream = zkOffsetData match {
19 case None => //如果从zk里面没有读到偏移量，就说明是系统第一次启动
20 log.info("系统第一次启动，没有读取到偏移量，默认就最新的offset开始消费")
21 //使用最新的偏移量创建DirectStream
22 KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
23 case Some(lastStopOffset) =>
24 log.info("从zk中读取到偏移量，从上次的偏移量开始消费数据......")
25 val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key, mmd.message)
26 //使用上次停止时候的偏移量创建DirectStream
27 KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, lastStopOffset, messageHandler)
28 }
29 kafkaStream//返回创建的kafkaStream
30 }
31
主要是针对第一次启动，和非首次启动做了不同的处理。
然后看下第三个步骤的代码：
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
2 * 保存每个批次的rdd的offset到zk中
3 * @param zkClient zk连接的client
4 * @param zkOffsetPath 偏移量路径
5 * @param rdd 每个批次的rdd
6 */
7 def saveOffsets(zkClient: ZkClient, zkOffsetPath: String, rdd: RDD[_]): Unit = {
8 //转换rdd为Array[OffsetRange]
9 val offsetsRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
10 //转换每个OffsetRange为存储到zk时的字符串格式 : 分区序号1:偏移量1,分区序号2:偏移量2,......
11 val offsetsRangesStr = offsetsRanges.map(offsetRange => s"${offsetRange.partition}:${offsetRange.untilOffset}").mkString(",")
12 log.debug(" 保存的偏移量： "+offsetsRangesStr)
13 //将最终的字符串结果保存到zk里面
14 ZkUtils.updatePersistentPath(zkClient, zkOffsetPath, offsetsRangesStr)
15 }
16
主要是更新每个批次的偏移量到zk中。
例子已经上传到github中，有兴趣的同学可以参考这个链接：
https://github.com/qindongliang/streaming-offset-to-zk
后续文章会聊一下为了升级应用如何优雅的关闭的流程序，以及在kafka扩展分区时，上面的程序如何自动兼容。
