将流数据集附加到Spark中的批处理数据集中
问题描述:
我们在Spark中有一个用例,我们想从我们的数据库中将历史数据加载到Spark并不断向Spark添加新的流数据,然后我们可以对整个最新数据集进行分析,最新的数据集。将流数据集附加到Spark中的批处理数据集中
据我所知,Spark SQL和Spark Streaming都不能将历史数据与流数据结合起来。然后我发现了Spark 2.0中的结构化流式处理,似乎是为了解决这个问题。但经过一些实验后,我仍然无法弄清楚。这里是我的代码:
SparkSession spark = SparkSession
.builder()
.config(conf)
.getOrCreate();
JavaSparkContext jsc = new JavaSparkContext(spark.sparkContext());
// Load historical data from MongoDB
JavaMongoRDD<Document> mongordd = MongoSpark.load(jsc);
// Create typed dataset with customized schema
JavaRDD<JavaRecordForSingleTick> rdd = mongordd.flatMap(new FlatMapFunction<Document, JavaRecordForSingleTick>() {...});
Dataset<Row> df = spark.sqlContext().createDataFrame(rdd, JavaRecordForSingleTick.class);
Dataset<JavaRecordForSingleTick> df1 = df.as(ExpressionEncoder.javaBean(JavaRecordForSingleTick.class));
// ds listens to a streaming data source
Dataset<Row> ds = spark.readStream()
.format("socket")
.option("host", "127.0.0.1")
.option("port", 11111)
.load();
// Create the typed dataset with customized schema
Dataset<JavaRecordForSingleTick> ds1 = ds
.as(Encoders.STRING())
.flatMap(new FlatMapFunction<String, JavaRecordForSingleTick>() {
@Override
public Iterator<JavaRecordForSingleTick> call(String str) throws Exception {
...
}
}, ExpressionEncoder.javaBean(JavaRecordForSingleTick.class));
// ds1 and df1 have the same schema. ds1 gets data from the streaming data source, df1 is the dataset with historical data
ds1 = ds1.union(df1);
StreamingQuery query = ds1.writeStream().format("console").start();
query.awaitTermination();
我得到了一个错误“org.apache.spark.sql.AnalysisException:流媒体和批量DataFrames之间的联盟/不支持数据集;”当我union()两个数据集。
任何人都可以帮我吗?我会走错方向吗?
答
在支持这种类型的功能方面,我不能说MongoDB spark连接器,Google似乎没有多少关于它的信息。但是,Spark数据库生态系统中还有其他数据库。我涵盖了another answer中Spark数据库生态系统中的大部分内容。我不能确切地说哪个数据库容易地允许您查找的功能类型,但我知道SnappyData和MemSQL在该列表中。但是,您可能需要两种关系形式的数据。
在Spark 2.0中的结构化流是在Alpha中 - 很多东西还不支持。我想知道你是否不能使用有状态流。在有状态流媒体中,您可以使用历史数据引导您的状态,然后以您喜欢的方式添加流数据。有关详细信息,请参阅此[Databrick的博客帖子](https://databricks.com/blog/2016/02/01/faster-stateful-stream-processing-in-apache-spark-streaming.html)。 –
@GlennieHellesSindholt嗨Glennie,谢谢你的建议。我认为mapWithState()最适合用新流媒体数据替换/更新当前状态(键值对)。在我的使用案例中,我的RDD不是配对的关键值,也不需要更新旧数据。使用mapWithState()太多了吗? –
我同意'mapWithState'不是明显的选择,如果你没有任何聚合,但如果你不需要历史数据,你为什么要在你的流? –