Spark Streaming + Spark SQL

Eingel 发表于 Dev

单身的

我正在尝试通过Spark Streaming和Spark SQL处理日志。主要思想是将具有“查询”所需的“旧”数据转换为DataFrame的Parquet格式的“压缩”数据集，压缩数据集的加载方式如下：

    SQLContext sqlContext = JavaSQLContextSingleton.getInstance(sc.sc());
    DataFrame compact = null;
    compact = sqlContext.parquetFile("hdfs://auto-ha/tmp/data/logs");

由于未压缩的数据集（我每天都会压缩数据集）由许多文件组成，因此我希望将当天的数据存储在DStream中，以便快速获取这些查询。

我尝试了DataFrame方法，但没有结果。

    DataFrame df = JavaSQLContextSingleton.getInstance(sc.sc()).createDataFrame(lastData, schema);
    df.registerTempTable("lastData");
    JavaDStream SumStream = inputStream.transform(new Function<JavaRDD<Row>, JavaRDD<Object>>() {
        @Override
        public JavaRDD<Object> call(JavaRDD<Row> v1) throws Exception {
            DataFrame df = JavaSQLContextSingleton.getInstance(v1.context()).createDataFrame(v1, schema);
            ......drop old data from lastData table                                
            df.insertInto("lastData");

        }
    });

使用这种方法，例如，如果我在另一个线程中查询临时表，则不会得到任何结果。

我也尝试过使用RDD转换方法，更具体地说，我尝试遵循Spark示例，在其中创建一个空的RDD，然后将DSStream RDD内容与空的RDD合并：

  JavaRDD<Row> lastData = sc.emptyRDD();
  JavaDStream SumStream = inputStream.transform(new Function<JavaRDD<Row>, JavaRDD<Object>>() {
        @Override
        public JavaRDD<Object> call(JavaRDD<Row> v1) throws Exception {
            lastData.union(v1).filter(let only recent data....);
        }
    });

这种方法也行不通，因为我没有在lastData中获取任何内容

我可以为此目的使用Windowed计算或updateStateBy键吗？

有什么建议？

谢谢你的帮助！

单身的

好吧，我终于明白了。

我使用updateState函数，如果这样的时间戳早于24小时，则返回0。

      final static Function2<List<Long>, Optional<Long>, Optional<Long>> RETAIN_RECENT_DATA
        = (List<Long> values, Optional<Long> state) -> {
            Long newSum = state.or(0L);
            for (Long value : values) {
                newSum += value;
            }
            //current milis uses UTC
            if (System.currentTimeMillis() - newSum > 86400000L) {
                return Optional.absent();
            } else {
                return Optional.of(newSum);
            }
        };

然后在每个批次上，我将DataFrame注册为临时表：

finalsum.foreachRDD((JavaRDD<Row> rdd, Time time) -> {
        if (!rdd.isEmpty()) {
            HiveContext sqlContext1 = JavaSQLContextSingleton.getInstance(rdd.context());
            if (sqlContext1.cacheManager().isCached("alarm_recent")) {
                sqlContext1.uncacheTable("alarm_recent");
            }
            DataFrame wordsDataFrame = sqlContext1.createDataFrame(rdd, schema);
            wordsDataFrame.registerTempTable("alarm_recent");

            wordsDataFrame.cache();//    
            wordsDataFrame.first();
        }
        return null;
    });

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。