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
プライベートクラウドの構築は非常に複雑です。構築中にサードパーティの監督者を導入すると、需要の確認、...
ウェブマスターなら誰でも、ウェブサイトのコンテンツこそが王であり、コンテンツこそが至高であることを知...
中国の自動運転市場が年々熱を帯び、産業政策の支援が継続的に増加し、インフラ建設が継続的に改善され、新...
1月14日、上海で「第5回DMAA国際デジタルマーケティングサミット」が開催されました。このイベント...
ソフト記事は決して時代遅れになることはなく、衰退することもありません。ビジネスがある限り、ソフトな記...
12月19日、プライベートラベル垂直型電子商取引会社Chukeが昨日売却を求めているというニュースに...
アメリカのアイウェア電子商取引ウェブサイトであるワービー・パーカーは、2010年後半に設立され、エン...
12月14日水曜日(米国時間)、Googleはクラウドコンピューティングの顧客により良いサービスを提...
今年発表されたばかりの eBay の第 2 四半期財務報告では、PayPal の業績は他の企業よりも...
開発者として、ワークロードをより適切に管理し、イノベーションを推進するための新しいツールを常に探して...
ホストキャットのサイトの記事の下に、XXのVPSのCPUがものすごく弱くて、スコアの実行やコンパイル...
インターネットの発展は、当初の一方的な情報伝達から、徐々に情報共有と情報生産へと移行し、誰もが情報生...
ひどい扱いを受けている? App Storeで悪質なレビュー操作が蔓延Game Gyroは、Appl...
3C 消費者向け電子機器および家電製品最大手であると主張するこの B2C 企業は、特に詳細な製品モデ...
私は個人的に何度も reprisehosting を紹介してきました (私は自分の AS 番号を持っ...