请描述在 Spark Streaming 中应对多个输入数据源速率不一致时的处理方式，并说明如何实现负载均衡。

回答思路

1. 【回答框架 1】处理不同速率的数据源核心依赖背压机制（Backpressure）。Spark Streaming 的背压通过动态控制接收速率，使处理速率与输入速率匹配，避免接收数据过多导致积压或 OOM。启用方式为 spark.streaming.backpressure.enabled=true，并配合 spark.streaming.backpressure.initialRate 设置初始速率。
2. 【回答框架 2】平衡负载可从接收端和计算端两级入手。接收端可增加 Receiver 数量，按 key 或 hash 将数据分散到多个分区；计算端利用 Spark 的分区并行度，通过 repartition 或 coalesce 调整分区数，使任务分布均匀。
3. 【回答框架 3】具体方案包括：对数据源做速率限制或削峰填谷，利用 Kafka 等消息队列作为缓冲层，将不同速率的数据统一导入，再按消费能力拉取；也可在流处理中设置 minRate 和 maxRate 边界，防止某数据源突发流量占用全部资源。
4. 【回答框架 4】评估负载均衡效果需监控每个批次处理时间、队列积压量、Executor 利用率。若出现倾斜，可重新设计分区键或使用轮询分发；调整 parallelism 时需考虑资源上限，最终以压测和延迟目标为准。
5. 【回答框架 5】对于速率差异很大的场景，可采用多流合并后统一批量处理，或拆分不同 DStream 分别设置不同 spark.streaming.kafka.maxRatePerPartition 约束，避免慢数据源拖累整体进度。
6. 【关键点 1】背压机制动态调整接收速率，防止数据积压。
7. 【关键点 2】多分区和合理分区键可提升并行度，缓解负载不均。
8. 【关键点 3】使用消息队列作为缓冲，解耦不同速率的数据源。
9. 【关键点 4】监控积压量和处理时间，及时调整并行度及速率限制。
10. 【易错点 1】不能仅依赖背压解决所有速率问题，需配合资源调整。
11. 【易错点 2】盲目增加分区数可能增加调度开销，反而不利于吞吐量。
12. 【易错点 3】忽略数据源本身限制，只靠流处理端削峰可能造成延迟增加。