Spark Streaming使用Kafka保证数据零丢失
源文件放在github，随着理解的深入，不断更新，如有谬误之处，欢迎指正。 原文链接https://github.com/jacksu/utils4s/blob/master/spark-knowledge/md/spark_streaming使用kafka保证数据零丢失.md
spark streaming从1.2开始提供了数据的零丢失，想享受这个特性，需要满足如下条件：
1.数据输入需要可靠的sources和可靠的receivers
2.应用metadata必须通过应用driver checkpoint
3.WAL（write ahead log）
可靠的sources和receivers
spark streaming可以通过多种方式作为数据sources（包括kafka），输入数据通过receivers接收，通过replication存储于spark中（为了faultolerance，默认复制到两个spark executors），如果数据复制完成，receivers可以知道（例如kafka中更新offsets到zookeeper中）。这样当receivers在接收数据过程中crash掉，不会有数据丢失，receivers没有复制的数据，当receiver恢复后重新接收。
metadata checkpoint
可靠的sources和receivers，可以使数据在receivers失败后恢复，然而在driver失败后恢复是比较复杂的，一种方法是通过checkpoint metadata到HDFS或者S3。metadata包括：
- configuration
- code
- 一些排队等待处理但没有完成的RDD（仅仅是metadata，而不是data）
这样当driver失败时，可以通过metadata checkpoint，重构应用程序并知道执行到那个地方。
数据可能丢失的场景
可靠的sources和receivers，以及metadata checkpoint也不可以保证数据的不丢失，例如：
- 两个executor得到计算数据，并保存在他们的内存中
- receivers知道数据已经输入
- executors开始计算数据
- driver突然失败
- driver失败，那么executors都会被kill掉
- 因为executor被kill掉，那么他们内存中得数据都会丢失，但是这些数据不再被处理
- executor中的数据不可恢复
WAL
为了避免上面情景的出现，spark streaming 1.2引入了WAL。所有接收的数据通过receivers写入HDFS或者S3中checkpoint目录，这样当driver失败后，executor中数据丢失后，可以通过checkpoint恢复。
At-Least-Once
尽管WAL可以保证数据零丢失，但是不能保证exactly-once，例如下面场景：
- Receivers接收完数据并保存到HDFS或S3
-
在更新offset前，receivers失败了
- Spark Streaming以为数据接收成功，但是Kafka以为数据没有接收成功，因为offset没有更新到zookeeper
- 随后receiver恢复了
-
从WAL可以读取的数据重新消费一次，因为使用的kafka High-Level消费API，从zookeeper中保存的offsets开始消费
WAL的缺点
通过上面描述，WAL有两个缺点：
- 降低了receivers的性能，因为数据还要存储到HDFS等分布式文件系统
- 对于一些resources，可能存在重复的数据，比如Kafka，在Kafka中存在一份数据，在Spark Streaming也存在一份（以WAL的形式存储在hadoop API兼容的文件系统中）
Kafka direct API
为了WAL的性能损失和exactly-once，spark streaming1.3中使用Kafka direct API。非常巧妙，Spark driver计算下个batch的offsets，指导executor消费对应的topics和partitions。消费Kafka消息，就像消费文件系统文件一样。
1.不再需要kafka receivers，executor直接通过Kafka API消费数据
2.WAL不再需要，如果从失败恢复，可以重新消费
3.exactly-once得到了保证，不会再从WAL中重复读取数据
总结
主要说的是spark streaming通过各种方式来保证数据不丢失，并保证exactly-once，每个版本都是spark streaming越来越稳定，越来越向生产环境使用发展。