spark 0.8版本kafka 保存offset ，实现0数据丢失

最近的项目还是用的老的kafka版本（0.8），用spark 接数据的时候，如果spark 程序意外重启，重启时间内的kafka数据会丢失。我们需要实现最少消费一次，数据重复没有关系。但不能允许丢失数据。

在 Spark Streaming 中消费 Kafka 数据的时候，有两种方式分别是 1）基于 Receiver-based 的 createStream 方法和 2）Direct Approach (No Receivers) 方式的 createDirectStream 方法， 在生产上我们首先用第一种方式，发现性能有很多损耗，而且也不稳定，所以我们后来使用的是第2种方式。我们把kafka 的offset 保存在zookeeper中，实际测试发现zookeeper保存offset效率还不错，下面是具体代码修改记录, 供参考：

 

val topics = Set[String](kafkaInputTopic)
val kafkaParams = Map[String, String](
  "metadata.broker.list" -> destBrokerHost,
  "serializer.class" -> "kafka.serializer.StringEncoder",
  "group.id" -> kafkaGroup)
var offsetRanges = Array.empty[OffsetRange]
var kafkaStream: InputDStream[(String,  Array[Byte])] = null
val zkClient = new ZkClient(zookeeper)
val topicDirs = new ZKGroupTopicDirs("spark_streaming", kafkaInputTopic)  //创建一个 ZKGroupTopicDirs 对象
val children = zkClient.countChildren(s"${topicDirs.consumerOffsetDir}")     //查询该路径下是否字节点
var fromOffsets: Map[TopicAndPartition, Long] = Map()  
if (children > 0) {//如果 zookeeper 中有保存 offset，我们会利用这个 offset 作为 kafkaStream 的起始位置

  for (i <- 0 until children) {
    val partitionOffset = zkClient.readData[String](s"${topicDirs.consumerOffsetDir}/${i}")
    val tp = TopicAndPartition(kafkaInputTopic, i)
    fromOffsets += (tp -> partitionOffset.toLong) //将不同 partition 对应的 offset 增加到 fromOffsets 中
  }

  val messageHandler = (mmd: MessageAndMetadata[String, Array[Byte]]) => (mmd.topic, mmd.message()) 
  kafkaStream =KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder,(String,Array[Byte])](ssc, kafkaParams, fromOffsets,messageHandler)
}else{
  kafkaStream=KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder](ssc, kafkaParams, topics)
}

//这个会将 kafka 的消息进行 transform，最终 kafak 的数据都会变成 (topic_name, message) 这样的 tuple

val lines: DStream[Array[Byte]] = kafkaStream
  .transform { rdd =>
    offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
    rdd
  }.map(line => line._2)
。。。。

.foreachRDD(rdd => {

if (!rdd.isEmpty()) {
 
  var zkClient:ZkClient=null
  try {
    zkClient = new ZkClient(zookeeper)
    for (o <- offsetRanges) {
      println(s"${o.topic} ${o.partition} ${o.fromOffset} ${o.untilOffset}")
      val zkPath = s"${topicDirs.consumerOffsetDir}/${o.partition}"
      ZkUtils.updatePersistentPath(zkClient, zkPath, o.untilOffset.toString) //将该 partition 的 offset 保存到 zookeeper
      println(s"${o.topic} ${o.partition} success set to zookeeper.")
    }
  } catch {
    case e: Exception => {
      e.printStackTrace()
    }
  } finally {
    if (zkClient != null) {
      zkClient.close()
    }
  }
}}

pom.xml 增加zookeeper依赖
<dependency>
    <groupId>org.apache.zookeeper</groupId>
    <artifactId>zookeeper</artifactId>
    <version>3.4.9</version>
</dependency>
<dependency>
    <groupId>com.101tec</groupId>
    <artifactId>zkclient</artifactId>
    <version>0.10</version>
</dependency>