Spark Streaming は、マイクロバッチ処理に基づくストリーミング コンピューティング エンジンであり、通常は Spark Core または Spark Core と Spark Sql を使用してデータを処理します。エンタープライズ リアルタイム処理アーキテクチャでは、通常、Spark Streaming と Kafka は、ビッグ データ処理アーキテクチャ全体のコア リンクの 1 つとして統合されます。 異なる Spark および Kafka バージョンでは、データを統合して処理する方法として、レシーバー ベースのアプローチと直接アプローチの 2 つの方法があります。さまざまな統合バージョンのサポートについては、次の図を参照してください。 レシーバーベースのアプローチレシーバーベースのアプローチは、Kafka コンシューマー高レベル API を使用して実装されます。 すべての受信者にとって、Kafka を介して受信されたデータは Spark エグゼキューターに保存されます。基礎となるレイヤーは BlockManager に書き込まれ、デフォルトでは 200 ミリ秒ごとにブロックが生成されます (構成パラメータ spark.streaming.blockInterval によって決定されます)。その後、BlockRdd は Spark ストリーミングによって送信されたジョブによって構築され、最終的に Spark コア タスクとして実行されます。 受信方式に関しては、いくつか注意すべき点があります。
パラメータ spark.locality.wait を使用してデータの局所性を調整することをお勧めします。このパラメータが適切に設定されていない場合、たとえば、10 に設定されていてタスクが 2 秒で処理される場合、データが存在するエグゼキュータにスケジュールされるタスクがますます多くなり、タスクの実行が遅くなったり、失敗したりします (これはデータ スキューとは区別する必要があります)。 複数の Kafka 入力を持つ DStreams は、異なるグループとトピックを使用して作成でき、複数のレシーバーを使用してデータを受信および処理できます。 2 種類の受信機: 信頼できる受信機:
消費者が消費する最大速度を制限するには、次の 3 つのパラメータが関係します。
ジョブが生成されると、現在のジョブの有効範囲内のすべてのブロックが BlockRDD に結合され、1 つのブロックが 1 つのパーティションに対応します。 Kafka082 バージョンのコンシューマー高レベル API には、グループ化の概念があります。コンシューマー グループ内のスレッド数 (コンシューマー数) を Kafka パーティションの数と一致させることをお勧めします。パーティションの数を超えると、一部のコンシューマがアイドル状態になります。 直接アプローチ直接的なアプローチは、Spark Streaming がレシーバーを使用せずに Kafka と統合する方法です。一般的には、エンタープライズの生産環境でより多く使用されます。受信機と比較すると、次の特徴があります。 1. 受信機を使用しない 複数のKafkaストリームを作成して集約する必要がない 不要なCPU使用率を削減 データを受信して BlockManager に書き込むプロセス全体が削減され、実行時に blockId、ネットワーク転送、ディスク読み取りなどを通じてデータを取得するため、効率が向上します。 WALが不要になり、ディスクIO操作がさらに削減されます。 2. 直接方式で生成された RDD は KafkaRDD であり、そのパーティション数は Kafka パーティション数と一致します。消費には同じ数の RDD パーティションが使用されるため、並列度を制御しやすくなります。 注意: この対応は、シャッフルまたは再パーティション操作後に生成された RDD では無効になります。 3. オフセットを手動で管理して、正確に1回のセマンティクスを実装できます。 4. データの局所性の問題。 KafkaRDD のコンピューティング関数では、SimpleConsumer を使用して、指定されたトピック、パーティション、オフセットに従って Kafka データを読み取ります。 ただし、バージョン 010 以降では、Kafka と Spark が同じクラスター内にある場合、データの局所性に問題が発生します。 5. 消費者の消費の最大速度を制限する spark.streaming.kafka.maxRatePerPartition: 各 kafka パーティションからデータを読み取ることができる最大速度 (1 秒あたりのレコード数)。これは各パーティションのレート制限です。システム スループットを評価するには、Kafka パーティションの数を事前に知っておく必要があります。 |
<<: リモートコラボレーションプラットフォームはどこにでもあります。なぜチームワークの中心になったのでしょうか?
>>: GaussDB T分散クラスタデータベースの日常的なメンテナンスは知っておく必要があります
みなさんこんにちは。私はNezhaです。数日前、私の友人が面接に行き、K8S について多くの詳細な質...
この記事を書くきっかけとなったのは、友人から紹介されたクライアントから昨日電話を受けたことでした。ま...
私はウェブマスターと頻繁にやり取りしており、定期的に A5 Chat Webmaster Recor...
月収10万元の起業の夢を実現するミニプログラム起業支援プラン今日の最も偉大なテクノロジー企業をいくつ...
vpscreed は 2009 年に設立されたインドの VPS 販売業者です。ここではさまざまなプロ...
要約: すべてが高速化しなければならないこの時代、インターネットは業界ランキングを毎日更新しています...
zji.net は香港データセンターの特別なマルチライン物理サーバーにインストールされ、Alibab...
すべてのウェブマスターは、ウェブサイトの Baidu の重みをもっと気にするようになると思います。B...
日々のオンラインプロモーションの効果を分析するにはどうすればよいでしょうか?オンラインプロモーション...
今日はページレベルのSEOのコツを3つ紹介します。ページの読み込み速度やサイトの構造などは、直接実践...
alwyzon(Hohl IT eUのブランド)は、オランダ(データセンターはオランダ東部の都市アペ...
少し前に、「Douban では、興味関心マーケティングによって 2 億人のユーザーが 200 のブラ...
「エッジ」という言葉は、モノのインターネットの世界では新たな意味を与えられています。 5G時代の到来...
hostbrew は 2009 年に登録された小さな会社で、独自の AS 番号 [AS394180]...
最近、ソーシャル メディア マーケティングはますます注目を集めています。では、ソーシャル メディア ...