本文主要是介绍解决KafkaConsumer多线程接入不安全问题（spark streaming 消费kafka），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
使用场景：
设置并行度参数spark.streaming.concurrentJobs >1 时候，使用spark streaming消费kafka
异常信息：
There may be two or more tasks in one executor will use the same kafka consumer at the same time, then it will throw an exception: "KafkaConsumer is not safe for multi-threaded access"
JIRA-SPARK中已经提出的问题
https://issues.apache.org/jira/browse/SPARK-22606?jql=text ~ "spark.streaming.concurrentJobs"
解决办法：
第一种方案
PR地址：https://github.com/apache/spark/pull/19819
spark streaming消费kafka时候，默认开启了对kafkaconsumer进行缓存，通过存放到HashMap中实现，因此就需要有相应的key，才能找到具体到kafkaconsumer。
//原生的代码中是没有threadId变量的，通过加入线程id ,使得不同的线程不能同时使用同一个kafkaconsumerprivate case class CacheKey(groupId: String, topic: String, partition: Int, threadId: Long)private var cache: ju.LinkedHashMap[CacheKey, CachedKafkaConsumer[_, _]] = nullCachedKafkaConsumer.get[K, V](groupId, part.topic, part.partition, threadId, kafkaParams)
这个办法其实就是为缓存在map中的CachedKafkaConsumer对应的key增加了一个参数是线程id，使得不让多个线程使用同一个consumer，但是这种情况每一个task都需要去创建一个consumer，是消耗资源的。
PR中这样一句评论：
It will create a new consumer for each thread. This could be quite resource consuming when several topics shared with thread pools.
第二种方案
对spark-streaming-kafka中的CacheKafkaConsumer进行了重构,首先介绍几个类
//接口
KafkaDataConsumer//KafkaDataConsumer的实现类private case class CachedKafkaDataConsumer[K, V](internalConsumer: InternalKafkaConsumer[K, V])extends KafkaDataConsumer[K, V] {assert(internalConsumer.inUse)override def release(): Unit = KafkaDataConsumer.release(internalConsumer)}private case class NonCachedKafkaDataConsumer[K, V](internalConsumer: InternalKafkaConsumer[K, V])extends KafkaDataConsumer[K, V] {override def release(): Unit = internalConsumer.close()}//那么InternalKafkaConsumer是什么？其实对KafkaConsumer进行了封装而已，持有KafkaConsumer对象
private[kafka010] class InternalKafkaConsumer[K, V](val topicPartition: TopicPartition,val kafkaParams: ju.Map[String, Object])private[kafka010] case class CacheKey(groupId: String, topicPartition: TopicPartition)private[kafka010] var cache: ju.Map[CacheKey, InternalKafkaConsumer[_, _]] = null那么为了防止一个executor中多个task同时使用同一个KafkaConsumer，如何解决呢？通过看如何获取的consumer即可看到解决方案！
def acquire[K, V](topicPartition: TopicPartition,kafkaParams: ju.Map[String, Object],context: TaskContext,useCache: Boolean): KafkaDataConsumer[K, V] = synchronized {val groupId = kafkaParams.get(ConsumerConfig.GROUP_ID_CONFIG).asInstanceOf[String]//根据groupId以及topicPartition创建相应的keyval key = new CacheKey(groupId, topicPartition)//根据key获得缓存的InternalKafkaConsumer对象，其实可以理解为KafkaConsumer对象，就是多了一层封装val existingInternalConsumer = cache.get(key)lazy val newInternalConsumer = new InternalKafkaConsumer[K, V](topicPartition, kafkaParams)//如果TaskContext不为null,同时task尝试次数大于等于1 if (context != null && context.attemptNumber >= 1) {logDebug(s"Reattempt detected, invalidating cached consumer $existingInternalConsumer")//如果缓存中存在该key的InternalKafkaConsumer对象if (existingInternalConsumer != null) {// 如果缓存中存在并且是使用状态，设置markedForClose=true，意思是说下一次release时候会将其关闭//如果缓存了并且非使用状态，那么直接关闭，并从缓存移除 if (existingInternalConsumer.inUse) {existingInternalConsumer.markedForClose = true} else {existingInternalConsumer.close()cache.remove(key)}}logDebug("Reattempt detected, new non-cached consumer will be allocated " +s"$newInternalConsumer")//这个最外层if分支创建新的consumer , 最后返回 NonCachedKafkaDataConsumerNonCachedKafkaDataConsumer(newInternalConsumer)} else if (!useCache) {//如果task重试次数小于1 或者 taskcontext不存在，并且没有使用缓存，直接创建NonCachedKafkaDataConsumer对象logDebug("Cache usage turned off, new non-cached consumer will be allocated " +s"$newInternalConsumer")NonCachedKafkaDataConsumer(newInternalConsumer)} else if (existingInternalConsumer == null) {//使用缓存了，但是缓存中不存在，直接创建CachedKafkaDataConsumerlogDebug("No cached consumer, new cached consumer will be allocated " +s"$newInternalConsumer")cache.put(key, newInternalConsumer)CachedKafkaDataConsumer(newInternalConsumer)} else if (existingInternalConsumer.inUse) {// 缓存中存在并且当前是在使用，那么创建一个新的InternalConsmer然后封装到NonCachedKafkaDataConsumer中返回logDebug("Used cached consumer found, new non-cached consumer will be allocated " +s"$newInternalConsumer")NonCachedKafkaDataConsumer(newInternalConsumer)} else {//缓存中存在并且没有被使用，直接设置为使用状态，然后封装到CachedKafkaDataConsumer中返回logDebug(s"Not used cached consumer found, re-using it $existingInternalConsumer")existingInternalConsumer.inUse = true// Any given TopicPartition should have a consistent key and value typeCachedKafkaDataConsumer(existingInternalConsumer.asInstanceOf[InternalKafkaConsumer[K, V]])}}
将InternalConsumer的markedForClose字段设置为true，意味着这个对象的kafkaconsumer对象要关闭
//KafkaRDD中增加了一个task完成监听器，如果任务完成调用closeIfNeeded方法
context.addTaskCompletionListener[Unit](_ => closeIfNeeded())def closeIfNeeded(): Unit = {if (consumer != null) {consumer.release()}}//上面的consumer是KafkaDataConsumer的子类的对象，其两个子类如下：// 1: internalConsumer会缓存private case class CachedKafkaDataConsumer[K, V](internalConsumer: InternalKafkaConsumer[K, V])extends KafkaDataConsumer[K, V] {assert(internalConsumer.inUse)//直接调用父类的release方法override def release(): Unit = KafkaDataConsumer.release(internalConsumer)}//看其父类的release方法private def release(internalConsumer: InternalKafkaConsumer[_, _]): Unit = synchronized {//获取internalConsumer的groupid topicpartition然后组成key，根据key去缓存查找相应的internalConsumer对象val key = new CacheKey(internalConsumer.groupId, internalConsumer.topicPartition)val cachedInternalConsumer = cache.get(key)//如果要释放的internalConsumer是缓存中存放的if (internalConsumer.eq(cachedInternalConsumer)) {// 标记为ture那么调用其close方法，然后从缓存移除if (internalConsumer.markedForClose) {internalConsumer.close()cache.remove(key)} else {//如果没有标记为true,意味着继续在缓存，不会移除，只是将其使用状态改为falseinternalConsumer.inUse = false}} else {// 这个对象没有被缓存过，或者 不等于缓存中的，直接关闭internalConsumer.close()logInfo(s"Released a supposedly cached consumer that was not found in the cache " +s"$internalConsumer")}}
}// 2 ： internalConsumer不会缓存private case class NonCachedKafkaDataConsumer[K, V](internalConsumer: InternalKafkaConsumer[K, V])extends KafkaDataConsumer[K, V] {//直接调用其持有对象internalConsumer的close方法override def release(): Unit = internalConsumer.close()}//internalConsumer的close方法其实就是调用KafkaConsumer的close方法
def close(): Unit = consumer.close()//此处consumer是什么？
private val consumer = createConsumerprivate def createConsumer: KafkaConsumer[K, V] = {val updatedKafkaParams = KafkaConfigUpdater("executor", kafkaParams.asScala.toMap).setAuthenticationConfigIfNeeded().build()val c = new KafkaConsumer[K, V](updatedKafkaParams)val topics = ju.Arrays.asList(topicPartition)c.assign(topics)c}通过这个方案，当我们没有使用缓存时候直接创建NonCachedKafkaDataConsumer对象，NonCachedKafkaDataConsumer对象封装了InternalConsumer, InternalConsumer对象中持有KafkaConsumer对象，InternalConsumer不会被缓存放到Map中。
当使用缓存时候，首先从根据groupid topicpartiiton组成的key，得到缓存的InternalConsumer对象，不存在就是null。
如果缓存不存在那么直接创建CachedKafkaDataConsumer对象，然后将这个对象引用的InternalConsumer对象缓存到Map中；
如果缓存已经存在了并且InternalConsumer当前是使用状态，那么直接创建NonCachedKafkaDataConsumer对象，这个对象持有的InternalConsumer对象是新建的，并不是缓存中的，虽然参数（topicpartition对象和kafkaParams）与缓存中的InternalConsumer是一样的；
如果缓存存在InternalConsumer并且不是使用状态，直接把缓存中的InternalConsumer设置为使用状态，然后封装到CachedKafkaDataConsumer中。
如果任务有重试，之前缓存的InternalConsumer如果是非使用状态，直接关闭并且缓存中移除；如果缓存的InternalConsumer是使用状态，将其标记为下一次release时候移除的状态，最后任务重试也需要相应的consumer,因此会返回一个NonCachedKafkaDataConsumer对象，并且里面的InternalConsumer对象是新建的，并没有使用缓存中的
这篇关于解决KafkaConsumer多线程接入不安全问题（spark streaming 消费kafka）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
