Spark Streaming使用Kafka保證資料零丟失

spark streaming從1.2開始提供了資料的零丟失，想享受這個特性，需要滿足如下條件：
資料輸入需要可靠的sources和可靠的receivers
應用metadata必須通過應用driver checkpoint
WAL（write ahead log）

可靠的sources和receivers

spark streaming可以通過多種方式作為資料sources（包括kafka），輸入資料通過receivers接收，通過replication儲存於spark中（為了faultolerance，預設複製到兩個spark executors），如果資料複製完成，receivers可以知道（例如kafka中更新offsets到zookeeper中）。這樣當receivers在接收資料過程中crash掉，不會有資料丟失，receivers沒有複製的資料，當receiver恢復後重新接收。

metadata checkpoint

可靠的sources和receivers，可以使資料在receivers失敗後恢復，然而在driver失敗後恢復是比較複雜的，一種方法是通過checkpoint metadata到HDFS或者S3。metadata包括：
configuration
code
一些排隊等待處理但沒有完成的RDD（僅僅是metadata，而不是data）

這樣當driver失敗時，可以通過metadata checkpoint，重構應用程式並知道執行到那個地方。

資料可能丟失的場景

可靠的sources和receivers，以及metadata checkpoint也不可以保證資料的不丟失，例如：
兩個executor得到計算資料，並儲存在他們的記憶體中
receivers知道資料已經輸入
executors開始計算資料
driver突然失敗
driver失敗，那麼executors都會被kill掉
因為executor被kill掉，那麼他們記憶體中得資料都會丟失，但是這些資料不再被處理
executor中的資料不可恢復

WAL

為了避免上面情景的出現，spark streaming 1.2引入了WAL。所有接收的資料通過receivers寫入HDFS或者S3中checkpoint目錄，這樣當driver失敗後，executor中資料丟失後，可以通過checkpoint恢復。

At-Least-Once

儘管WAL可以保證資料零丟失，但是不能保證exactly-once，例如下面場景：
Receivers接收完資料並儲存到HDFS或S3
在更新offset前，receivers失敗了

• Spark Streaming以為資料接收成功，但是Kafka以為資料沒有接收成功，因為offset沒有更新到zookeeper
• 隨後receiver恢復了
• 從WAL可以讀取的資料重新消費一次，因為使用的kafka High-Level消費API，從zookeeper中儲存的offsets開始消費

WAL的缺點

通過上面描述，WAL有兩個缺點：
降低了receivers的效能，因為資料還要儲存到HDFS等分散式檔案系統
對於一些resources，可能存在重複的資料，比如Kafka，在Kafka中存在一份資料，在Spark Streaming也存在一份（以WAL的形式儲存在hadoop API相容的檔案系統中）

Kafka direct API

為了WAL的效能損失和exactly-once，spark streaming1.3中使用Kafka direct API。非常巧妙，Spark driver計算下個batch的offsets，指導executor消費對應的topics和partitions。消費Kafka訊息，就像消費檔案系統檔案一樣。

• 不再需要kafka receivers，executor直接通過Kafka API消費資料
• WAL不再需要，如果從失敗恢復，可以重新消費
• exactly-once得到了保證，不會再從WAL中重複讀取資料

總結

主要說的是spark streaming通過各種方式來保證資料不丟失，並保證exactly-once，每個版本都是spark streaming越來越穩定，越來越向生產環境使用發展。