在 Flink 的 DataStream 中连续处理 parquet 文件作为数据流 API

Question

我在 HDFS 上有一个 parquet 文件。它每天都会被一个新的覆盖。我的目标是连续发出这个 parquet 文件 - 当它发生变化时 - 作为 Flink 作业中使用 DataStream API 的 DataStream。最终目标是在广播状态下使用文件内容，但这超出了这个问题的范围。

要连续处理一个文件，API：Data-sources关于数据源非常有用。更具体地说，FileProcessingMode.PROCESS_CONTINUOUSLY：这正是我所需要的。这适用于 reading/monitoring 文本文件，没问题，但不适用于 parquet 文件：

// Partial version 1: the raw file is processed continuously
val path: String = "hdfs://hostname/path_to_file_dir/"
val textInputFormat: TextInputFormat = new TextInputFormat(new Path(path))
// monitor the file continuously every minute
val stream: DataStream[String] = streamExecutionEnvironment.readFile(textInputFormat, path, FileProcessingMode.PROCESS_CONTINUOUSLY, 60000)

要处理 parquet 文件，我可以使用 Hadoop 输入格式 使用此 API： using-hadoop-inputformats。但是 API 没有 FileProcessingMode 参数，并且只处理文件一次：

// Partial version 2: the parquet file is only processed once
val parquetPath: String = "/path_to_file_dir/parquet_0000"
// raw text format
val hadoopInputFormat: HadoopInputFormat[Void, ArrayWritable] = HadoopInputs.readHadoopFile(new MapredParquetInputFormat(), classOf[Void], classOf[ArrayWritable], parquetPath)
val stream: DataStream[(Void, ArrayWritable)] = streamExecutionEnvironment.createInput(hadoopInputFormat).map { record =>
  // process the record here ...
}

我想以某种方式组合这两个 API，通过 DataStream API 连续处理 Parquet 文件。你们有人试过这样的事情吗？

Answer 1

看了Flink的代码，感觉这两个API比较不一样，不太可能合并到一起。

我将在此处详细介绍的另一种方法是定义您自己的 SourceFunction，它将定期读取文件：

class ParquetSourceFunction extends SourceFunction[Int] {
  private var isRunning = true

  override def run(ctx: SourceFunction.SourceContext[Int]): Unit = {
    while (isRunning) {
      val path = new Path("path_to_parquet_file")
      val conf = new Configuration()

      val readFooter = ParquetFileReader.readFooter(conf, path, ParquetMetadataConverter.NO_FILTER)
      val metadata = readFooter.getFileMetaData
      val schema = metadata.getSchema
      val parquetFileReader = new ParquetFileReader(conf, metadata, path, readFooter.getBlocks, schema.getColumns)
      var pages: PageReadStore = null
      try {
        while ({ pages = parquetFileReader.readNextRowGroup; pages != null }) {
          val rows = pages.getRowCount
          val columnIO = new ColumnIOFactory().getColumnIO(schema)
          val recordReader = columnIO.getRecordReader(pages, new GroupRecordConverter(schema))
          (0L until rows).foreach { _ =>
            val group = recordReader.read()
            val my_integer = group.getInteger("field_name", 0)
            ctx.collect(my_integer)
          }
        }
      }

      // do whatever logic suits you to stop "watching" the file
      Thread.sleep(60000)
    }
  }

  override def cancel(): Unit = isRunning = false
}

然后，使用 streamExecutionEnvironment 注册这个源：

val dataStream: DataStream[Int] = streamExecutionEnvironment.addSource(new ParquetProtoSourceFunction)
// do what you want with your new datastream

在 Flink 的 DataStream 中连续处理 parquet 文件作为数据流 API

Process continuously parquet files as Datastreams in Flink's DataStream API

scala

parquet

apache-flink