如何将 Spark Streaming Checkpoint Location 存储到 S3 中？

Question

我对一个 Spark Streaming 应用程序 (Spark v2.3.2) 很感兴趣，它可以获取 S3 镶木地板数据并将镶木地板数据写入 S3。应用程序的数据帧流利用 groupByKey() 和 flatMapGroupsWithState() 来利用 GroupState.

是否可以将其配置为使用 s3 检查点位置？例如：

val stream = myDataset.writeStream
    .format("parquet")
    .option("path", s3DataDestination)
    .option("checkpointLocation", s3CheckpointPath)
    .option("truncate", false)
    .option(Trigger.Once)
    .outputMode(OutputMode.Append)
stream.start().awaitTermination()

我确认以上是能够成功写入数据到s3DataDestination.

但是写入s3检查点位置时抛出异常：

java.lang.IllegalStateException: Error committing version 1 into HDFSStateStore[id=(op=0, part=9), dir=s3://<my_s3_location>
    at org.apache.spark.sql.execution.streaming.state.HDFSBackedStateStoreProvider$HDFSBackedStateStore.commit(...)
...
Caused by: java.io.IOException: Failed to rename s3://.../checkpoint/state/0/9/temp... to s3://.../checkpoint/state/0/9/1.delta

这是否需要自定义实现 S3 StateStoreProvider？或者，检查点位置是否需要写入HDFS？

Answer 1

问题是读写并发频率过高。 AWS S3 不提供此类功能。

解决方案：

我们必须切换到本地挂载的永久磁盘以进行 Spark 检查指向
S3Guard : 这将使 S3 读写更加一致（注意：它是实验性的，我个人从未在实际中看到它）
使用 HDFS

如何将 Spark Streaming Checkpoint Location 存储到 S3 中？

How to store Spark Streaming Checkpoint Location into S3?

apache-spark

spark-streaming

spark-structured-streaming

apache-spark-dataset

spark-checkpoint