Stream-Static Join：如何定期刷新（unpersist/persist）静态Dataframe

Question

我正在构建一个 Spark Structured Streaming 应用程序，我正在其中进行批处理流连接。批处理数据的来源会定期更新。

所以，我计划定期对那批数据进行 persist/unpersist。

下面是我用来保存和取消保存批处理数据的示例代码。

流量：

读取批量数据
持久化批量数据
每隔一小时，取消持久化数据并读取批量数据并再次持久化。

但是，我没有看到每小时刷新一次批处理数据。

代码：

var batchDF = handler.readBatchDF(sparkSession)
batchDF.persist(StorageLevel.MEMORY_AND_DISK)
var refreshedTime: Instant = Instant.now()

if (Duration.between(refreshedTime, Instant.now()).getSeconds > refreshTime) {
  refreshedTime = Instant.now()
  batchDF.unpersist(false)
  batchDF =  handler.readBatchDF(sparkSession)
    .persist(StorageLevel.MEMORY_AND_DISK)
}

在 spark structured streaming 作业中有没有更好的方法来实现这种情况？

Answer 1

您可以通过使用结构化流提供的流调度功能来做到这一点。

您可以通过创建一个定期刷新静态数据帧的人工“速率”流来触发静态数据帧的刷新（取消持久化 -> 加载 -> 持久化）。想法是：

最初加载静态Dataframe并保持var
定义一个刷新静态Dataframe的方法
使用按要求的时间间隔（例如 1 小时）触发的“速率”流
读取实际流数据并与静态Dataframe进行join操作
在该速率流中有一个 foreachBatch 接收器调用在步骤 2 中创建的更新方法。

以下代码在 Spark 3.0.1、Scala 2.12.10 和 Delta 0.7.0 上运行良好。

  // 1. Load the staticDataframe initially and keep as `var`
  var staticDf = spark.read.format("delta").load(deltaPath)
  staticDf.persist()

  //  2. Define a method that refreshes the static Dataframe
  def foreachBatchMethod[T](batchDf: Dataset[T], batchId: Long) = {
    staticDf.unpersist()
    staticDf = spark.read.format("delta").load(deltaPath)
    staticDf.persist()
    println(s"${Calendar.getInstance().getTime}: Refreshing static Dataframe from DeltaLake")
  }

  // 3. Use a "Rate" Stream that gets triggered at the required interval (e.g. 1 hour)
  val staticRefreshStream = spark.readStream
    .format("rate")
    .option("rowsPerSecond", 1)
    .option("numPartitions", 1)
    .load()
    .selectExpr("CAST(value as LONG) as trigger")
    .as[Long]

  // 4. Read actual streaming data and perform join operation with static Dataframe
  // As an example I used Kafka as a streaming source
  val streamingDf = spark.readStream
    .format("kafka")
    .option("kafka.bootstrap.servers", "localhost:9092")
    .option("subscribe", "test")
    .option("startingOffsets", "earliest")
    .option("failOnDataLoss", "false")
    .load()
    .selectExpr("CAST(value AS STRING) as id", "offset as streamingField")

  val joinDf = streamingDf.join(staticDf, "id")

  val query = joinDf.writeStream
    .format("console")
    .option("truncate", false)
    .option("checkpointLocation", "/path/to/sparkCheckpoint")
    .start()

  // 5. Within that Rate Stream have a `foreachBatch` sink that calls refresher method
  staticRefreshStream.writeStream
    .outputMode("append")
    .foreachBatch(foreachBatchMethod[Long] _)
    .queryName("RefreshStream")
    .trigger(Trigger.ProcessingTime("5 seconds")) // or e.g. 1 hour
    .start()

为了获得一个完整的示例，增量 table 已创建并使用新值进行了更新，如下所示：

  val deltaPath = "file:///tmp/delta/table"

  import spark.implicits._
  val df = Seq(
    (1L, "static1"),
    (2L, "static2")
  ).toDF("id", "deltaField")

  df.write
    .mode(SaveMode.Overwrite)
    .format("delta")
    .save(deltaPath)

Stream-Static Join：如何定期刷新（unpersist/persist）静态Dataframe

Stream-Static Join: How to refresh (unpersist/persist) static Dataframe periodically

scala

apache-spark

spark-streaming

apache-spark-sql

spark-structured-streaming