java - 如何从Kafka Topic获取记录总数并保存到HDFS中？

Question

所有，

我正在处理从卡夫卡转储到HDFS中的数据。我能够使用数据，并希望从Kafka获取记录总数，并将其另存为文件到HDFS中，以便我可以将该文件用于验证。我可以在控制台中打印记录，但不确定如何创建总计数文件？

查询从卡夫卡提取记录:

Dataset ds1=ds.filter(args[5]);
 StreamingQuery query = ds1
                   .coalesce(10)
                   .writeStream()
                   .format("parquet")
                   .option("path", path.toString())
                   .option("checkpointLocation", args[6] + "/checkpoints" + args[2])
                   .trigger(Trigger.Once())
                   .start();

          try {
                query.awaitTermination();
            } catch (StreamingQueryException e) {
                e.printStackTrace();
                System.exit(1);
            }   

以及我为获取记录并在控制台中打印而编写的代码:
Dataset stream=ds1.groupBy("<column_name>").count(); //实际上，我想在不使用GroupBy的情况下获得计数，我尝试过 long stream=ds1.count()，但遇到错误。

 StreamingQuery query1=stream.coalesce(1)
                        .writeStream()
                        .format("csv")
                       .option("path", path + "/record")
                       .start();

               try {
                    query1.awaitTermination();
                 } catch (StreamingQueryException e) {
                     e.printStackTrace();
                    System.exit(1);
                } 

这是行不通的，您能帮我解决这个问题吗？

Answer 1

主题中任何时间的记录数都是移动的目标。

您将需要使用旧的Spark Streaming查找每个Spark分区批处理的记录数，然后使用Accumulator来计数所有已处理的记录，但这将是您可以获得的最接近记录。

据称Spark + Kafka仅具有一次处理语义，因此我建议您专注于错误捕获和监视，而不仅仅是计数验证。