Spark流媒体1.6+Kafka:处于“排队”状态的批太多

我使用spark流来消费来自一个kafka主题的消息,这个主题有10个分区。我使用的是直接从卡夫卡消费的方法,代码如下:

def createStreamingContext(conf: Conf): StreamingContext = {
    val dateFormat = conf.dateFormat.apply
    val hiveTable = conf.tableName.apply

    val sparkConf = new SparkConf()

    sparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
    sparkConf.set("spark.driver.allowMultipleContexts", "true")

    val sc = SparkContextBuilder.build(Some(sparkConf))
    val ssc = new StreamingContext(sc, Seconds(conf.batchInterval.apply))

    val kafkaParams = Map[String, String](
      "bootstrap.servers" -> conf.kafkaBrokers.apply,
      "key.deserializer" -> classOf[StringDeserializer].getName,
      "value.deserializer" -> classOf[StringDeserializer].getName,
      "auto.offset.reset" -> "smallest",
      "enable.auto.commit" -> "false"
    )

    val directKafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
      ssc,
      kafkaParams,
      conf.topics.apply().split(",").toSet[String]
    )

    val windowedKafkaStream = directKafkaStream.window(Seconds(conf.windowDuration.apply))
    ssc.checkpoint(conf.sparkCheckpointDir.apply)

    val eirRDD: DStream[Row] = windowedKafkaStream.map { kv =>
      val fields: Array[String] = kv._2.split(",")
      createDomainObject(fields, dateFormat)
    }

    eirRDD.foreachRDD { rdd =>
      val schema = SchemaBuilder.build()
      val sqlContext: HiveContext = HiveSQLContext.getInstance(Some(rdd.context))
      val eirDF: DataFrame = sqlContext.createDataFrame(rdd, schema)

      eirDF
        .select(schema.map(c => col(c.name)): _*)
        .write
        .mode(SaveMode.Append)
        .partitionBy("year", "month", "day")
        .insertInto(hiveTable)
    }
    ssc
  }

从代码中可以看出,我使用window来实现( 如果我错了请纠正我 ):因为有一个操作要插入到配置单元表中,所以我希望避免过于频繁地写入hdfs,所以我希望在内存中保留足够的数据,然后才写入文件系统。我认为使用窗口是实现这一目标的正确方法。

现在,在下面的图像中,您可以看到有许多批正在排队,并且正在处理的批将永远完成。

我还提供了正在处理的单个批次的详细信息:

当批处理中没有太多事件时,为什么insert操作有这么多任务?有时,拥有0个事件也会生成数千个任务,这些任务需要永远才能完成。

我处理带有spark的微区的方法是错误的吗?

谢谢你的帮助!

一些额外的细节:

纱线容器的最大容量为2gb。 在这个纱线队列中,容器的最大数量是10个。 当我查看执行这个spark应用程序的队列的详细信息时,容器的数量非常大,大约有15k个挂起的容器。