Apache spark Spark Streaming kafka concurrentModificationException

我使用的是Spark流媒体应用程序。应用程序使用directstream从Kafka主题（有200个分区）读取消息。偶尔应用程序会抛出ConcurrentModificationException->

java.util.ConcurrentModificationException: KafkaConsumer is not safe for multi-threaded access
at org.apache.kafka.clients.consumer.KafkaConsumer.acquire(KafkaConsumer.java:1431)
at org.apache.kafka.clients.consumer.KafkaConsumer.close(KafkaConsumer.java:1361)
at org.apache.spark.streaming.kafka010.CachedKafkaConsumer$$anon$1.removeEldestEntry(CachedKafkaConsumer.scala:128)
at java.util.LinkedHashMap.afterNodeInsertion(LinkedHashMap.java:299)
at java.util.HashMap.putVal(HashMap.java:663)
at java.util.HashMap.put(HashMap.java:611)
at org.apache.spark.streaming.kafka010.CachedKafkaConsumer$.get(CachedKafkaConsumer.scala:158)
at org.apache.spark.streaming.kafka010.KafkaRDD$KafkaRDDIterator.<init>(KafkaRDD.scala:211)
at org.apache.spark.streaming.kafka010.KafkaRDD.compute(KafkaRDD.scala:186)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
at org.apache.spark.scheduler.Task.run(Task.scala:99)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:282)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)

java.util.ConcurrentModificationException:KafkaConsumer对多线程访问不安全
访问org.apache.kafka.clients.consumer.KafkaConsumer.acquire（KafkaConsumer.java:1431）
位于org.apache.kafka.clients.consumer.KafkaConsumer.close（KafkaConsumer.java:1361）
在org.apache.spark.streaming.kafka010.CachedKafkaConsumer$$anon$1.removeeldestentiry（CachedKafkaConsumer.scala:128）上
位于java.util.LinkedHashMap.afterNodeInsertion（LinkedHashMap.java:299）
在java.util.HashMap.putVal（HashMap.java:663）
位于java.util.HashMap.put（HashMap.java:611）
位于org.apache.spark.streaming.kafka010.cachedkafcumer$.get（cachedkafcumer.scala:158）
在org.apache.spark.streaming.kafka010.KafkaRDD$kafkarditerator.（KafkaRDD.scala:211）
位于org.apache.spark.streaming.kafka010.KafkaRDD.compute（KafkaRDD.scala:186）
在org.apache.spark.rdd.rdd.computeOrReadCheckpoint（rdd.scala:323）上
位于org.apache.spark.rdd.rdd.iterator（rdd.scala:287）
位于org.apache.spark.scheduler.ResultTask.runTask（ResultTask.scala:87）
位于org.apache.spark.scheduler.Task.run（Task.scala:99）
位于org.apache.spark.executor.executor$TaskRunner.run（executor.scala:282）
位于java.util.concurrent.ThreadPoolExecutor.runWorker（ThreadPoolExecutor.java:1142）
位于java.util.concurrent.ThreadPoolExecutor$Worker.run（ThreadPoolExecutor.java:617）
运行（Thread.java:745）

我的spark群集有两个节点。Spark版本是2.1。应用程序运行两个执行器。从异常和kafka消费代码中可以看出，两个线程似乎使用了相同的kakfa消费程序。我不知道为什么两个线程访问同一个接收器。理想情况下，每个执行者应有一个专用的kafka接收器服务，由一个线程提供，该线程必须读取所有分配分区的消息。 正在从卡夫卡读取的代码片段->

JavaInputDStream<ConsumerRecord<String, String>> consumerRecords = KafkaUtils.createDirectStream(
jssc,
LocationStrategies.PreferConsistent(),
ConsumerStrategies.<String, String>Subscribe(topics, kafkaParams));

JavaInputDStream consumerRecords=KafkaUtils.createDirectStream(
jssc，
LocationStrategies.PreferConsistent（），
订阅（主题，卡夫卡帕兰））；

在我的案例中，问题与卡夫卡消费者缓存大小有关。我将大小（默认值：每个执行器64个）更改为每个执行器200个（由于有200个分区，所以有200个并行使用者）。我不得不升级到Spark 2.2，因为Spark 2.1中没有更改大小的选项

---

spark.streaming.kafka.consumer.cache.maxCapacity=200

添加您正在使用的代码。添加了我从kafka读取的代码段。您是否在单个执行器中运行多个任务？尝试将

useConsumerCache

设置为false

KafkaConsumer

不是线程安全的，即它不能在多个线程中使用。@amethystic:我正在为每个作业进行spark提交。我仔细检查了一下，所有的任务都有各自的执行者（确切地说是一个驱动者和两个执行者）。关于这方面有更多的信息吗？我仍然面临这个问题。如果我有200个分区和2个执行器。我应该将spark.streaming.kafka.consumer.cache.maxCapacity增加到100吗？因为2个执行器*100==200？该设置是针对每个执行器VM的。因为您有200个分区，所以每个VM的分区数将是100。因此，您只需将maxCapacity设置配置为100。