要实现Apache Spark和Kafka之间的“仅一次”语义，可以使用Kafka的消费者位移以及Spark的checkpoint功能。

首先，需要使用Kafka的消费者位移来跟踪已经处理的消息。在处理完每个批次的消息之后，将消费者位移提交到Kafka集群。这样，在发生故障或重新启动时，Spark可以从上次提交的位移处继续处理消息，确保消息不会被重复处理。

以下是一个使用Spark Streaming和Kafka的示例代码，演示了如何实现“仅一次”语义：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, KafkaUtils, LocationStrategies}

object SparkKafkaExample {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("SparkKafkaExample")
    val ssc = new StreamingContext(sparkConf, Seconds(1))

    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "localhost:9092",
      "key.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
      "value.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
      "group.id" -> "spark-kafka-example",
      "auto.offset.reset" -> "latest", // 从最新的位移开始消费
      "enable.auto.commit" -> (false: java.lang.Boolean) // 关闭自动位移提交
    )
    val topics = Array("test-topic")
    
    // 使用KafkaUtils创建DirectStream，将消费者位移保存在checkpoint目录中
    val messages = KafkaUtils.createDirectStream(ssc, LocationStrategies.PreferConsistent,
      ConsumerStrategies.Subscribe[String, String](topics, kafkaParams))
      .transform(rdd => {
        // 对每个RDD进行处理，将消费者位移提交到Kafka集群
        val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
        rdd.foreachPartition { iter =>
          val o: OffsetRange = offsetRanges(TaskContext.get.partitionId)
          println(s"${o.topic} ${o.partition} ${o.fromOffset} ${o.untilOffset}")
          // 提交消费者位移
          // KafkaUtils.commitOffsets()
        }
        rdd
      })

    // 处理消息
    messages.foreachRDD(rdd => {
      // 在这里处理每个RDD的消息
      
      // 通常，你需要将处理结果写回到Kafka中，以便可以进行故障恢复

      // 手动提交消费者位移
      // KafkaUtils.commitOffsets()
    })

    // 设置checkpoint目录
    ssc.checkpoint("/tmp/spark-kafka-checkpoint")

    ssc.start()
    ssc.awaitTermination()
  }
}

在上面的示例代码中，我们使用KafkaUtils.createDirectStream创建了一个DirectStream，该流直接从Kafka中读取消息。然后，我们在每个批次的RDD上调用transform函数，以便在处理完消息后提交消费者位移。

另外，你还可以使用KafkaUtils.commitOffsets()手动提交消费者位移，以确保消息的“仅一次”语义。通常情况下，你也需要将处理结果写回到Kafka中，以便可以进行故障恢复。你可以根据你的需求在相应的位置添加代码。

最后，还需要设置Spark Streaming的checkpoint目录，以便可以在发生故障或重新启动时恢复状态。

请注意，上述示例代码只是一个简单的演示，实际的实现可能需要根据具体的需求进行调整。同时，还要确保Kafka集群和Spark集群之间的网络连接稳定，以确保消费者位移能够正确提交。