sparkstreaming 处理kafka数据，几种数据丢失的情况，
1、雪崩效应导致的异常 kill掉进程 ，导致数据丢失
2、程序bug 导致进程挂了，导致数据丢失
以上是使用自动提交offset会存在的问题，若要保证数据0丢失，需要使用offset commit api
手动提交offset，自己保存offset，自己提交处理完的offset。
http://spark.apache.org/docs/latest/streaming-kafka-0-10-integration.html
官方提供几种保存offset的方式
- checkpoint的方式
问题：数据和offset并不同步无法保证事物的概念，生成小文件太多，存在hdfs，会造成namenode和datanode的压力
- your own data store ：zk、 hbase、。。。
缺点就是需要维护业务，比较麻烦
官网代码
// begin from the the offsets committed to the database
val fromOffsets = selectOffsetsFromYourDatabase.map { resultSet =>
new TopicPartition(resultSet.string("topic"), resultSet.int("partition")) -> resultSet.long("offset")
}.toMap
val stream = KafkaUtils.createDirectStream[String, String]
(
streamingContext,
PreferConsistent,
Assign[String, String]
(
fromOffsets.keys.toList, kafkaParams, fromOffsets)
)
stream.foreachRDD { rdd =>
val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
val results = yourCalculation(rdd)
// begin your transaction
// update results
// update offsets where the end of existing offsets matches the beginning of this batch of offsets
// assert that offsets were updated correctly
// end your transaction
}
3.Kafka itself kafka本身提供的api自我维护
设置enable.auto.commit to false
//坑，foreachRDD 之前不能使用map orderby等生成新的rdd，这样offset信息会丢失
stream.foreachRDD { rdd =>
val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
// 业务处理，异步提交
stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
}
这里的问题就是如果在业务处理完还没异步提交offset，其实再次启动消费会重复处理没提交offset的数据。
如何在保证数据不丢失的同时，对重复数据做处理呢？
----若泽数据
