sparkStreaming拉取kafka010的bug

• 目前kafka版本中，很多公司在用kafka010，但是在用sparkstreaming去消费kafka时，很多人都会碰到一个错误

Caused by: java.lang.AssertionError: assertion failed: Failed to get records for spark-executor-abcd1 test1 8 1 after polling for 512
at scala.Predef$.assert(Predef.scala:170)
at org.apache.spark.streaming.kafka010.CachedKafkaConsumer.get(CachedKafkaConsumer.scala:74)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.next(KafkaRDD.scala:223)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.next(KafkaRDD.scala:189)

• 解决步骤

1. 根据报错信息

kafka010.CachedKafkaConsumer.get(CachedKafkaConsumer.scala:74)

• 可以看出是在这里跑出的错误，进入CachedKafkaConsumer.scala类,找到74行

if (!buffer.hasNext()) { poll(timeout) }
assert(buffer.hasNext(),
      s"Failed to get records for $groupId $topic $partition $offset after polling for $timeout")
var record = buffer.next()

• 继续进入poll(timeout)方法

#如果经过timeout的时间都没有拉取到数据，那么poll会返回一个空的消息集合，这里是kafka consumer的设计
private def poll(timeout: Long): Unit = {
    val p = consumer.poll(timeout)
    val r = p.records(topicPartition)
    logDebug(s"Polled ${p.partitions()}  ${r.size}")
    buffer = r.iterator
  }

• 可以看出这里是用poll去拉取kafka数据放到buffer

#这是buffer的声明
protected var buffer = ju.Collections.emptyList[ConsumerRecord[K, V]]().iterator

• 在回到

#这里判断buffer是否有数据，如果没有数据就去poll，但是当poll也没有拉到数据
if (!buffer.hasNext()) { poll(timeout) }
#这里spark断言buffer里肯定有数据，如果没有就会抛出上面那个错误
assert(buffer.hasNext(),
      s"Failed to get records for $groupId $topic $partition $offset after polling for $timeout")
var record = buffer.next()

• 其实解决方法很简单
  KafkaRDD.scala

#这里spark设置的默认poll的timeout是512毫秒，如果512毫秒后没拉到数据就会抛异常
private val pollTimeout = conf.getLong("spark.streaming.kafka.consumer.poll.ms", 512)

• 只需将这个参数在session中设置大于512就可以了，具体设置多少要根据实际情况看，例如：

sparkConf.set("spark.streaming.kafka.consumer.poll.ms", 10000)

在kafka consumer API中如果poll(timeout)没有拉到数据会返回空的消息集合
但是spark在这里抛了异常