- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
在 Spark Structured Streaming(Java 中)中读取分区数据时是否可以设置 basePath
选项?我只想加载特定分区中的数据,例如 basepath/x=1/
,但我还希望将 x
作为列加载。按照我对非流数据帧的方式设置 basePath
似乎不起作用。
这是一个最小的例子。我有一个包含以下数据的数据框:
+---+---+
| a| b|
+---+---+
| 1| 2|
| 3| 4|
+---+---+
我将其作为 Parquet 文件写入名为 x=1
的子目录。
以下代码(使用常规非流数据帧)工作正常:
Dataset<Row> data = sparkSession.read()
.option("basePath", basePath)
.parquet(basePath + "/x=1");
data.show();
这会产生预期的结果:
+---+---+---+
| a| b| x|
+---+---+---+
| 1| 2| 1|
| 3| 4| 1|
+---+---+---+
但是,以下(使用结构化流式处理 API)不起作用:
StructType schema = data.schema(); // data as defined above
Dataset<Row> streamingData = sparkSession.readStream()
.schema(schema)
.option("basePath", basePath)
.parquet(basePath + "/x=1");
streamingData.writeStream()
.trigger(Trigger.Once())
.format("console")
.start().awaitTermination();
在这种情况下,数据框不包含任何行:
+---+---+---+
| a| b| x|
+---+---+---+
+---+---+---+
最佳答案
我不确定这是否适用于 Spark Streaming,但它适用于我在 Scala 中的批处理。我会做的是完全避免使用 basePath
。例如,当我的数据按年/月/日进行分区时,我想每天循环处理,我会使用字符串插值。
import java.text.SimpleDateFormat
import java.sql.Timestamp
import java.util.Calendar
var dateStart: String = "01/14/2012"
var dateStop: String = "01/18/2012"
var format: SimpleDateFormat = new SimpleDateFormat("MM/dd/yyyy");
var d1 = new Timestamp(format.parse(dateStart).getTime());
var d2 = new Timestamp(format.parse(dateStop).getTime());
var diffDays:Long = (d2.getTime() - d1.getTime()) / (24 * 60 * 60 * 1000)
var cal:Calendar = Calendar.getInstance()
cal.setTimeInMillis(d1.getTime())
for (i <- 0 to diffDays.toInt){
val year = cal.get(Calendar.YEAR)
val month = cal.get(Calendar.MONTH)
val day = cal.get(Calendar.DAY_OF_MONTH)
var dataframe1 = spark.read
.load(s"s3://bucketName/somepath/year=$year/month=$month/day=$day")
/*
Do your dataframe manipulation here
*/
cal.add(Calendar.DAY_OF_YEAR, 1)
}
您也可以使用字符串或整数列表来执行此操作。如果您需要将该数据视为一列,您始终可以将其作为新列附加到数据框中。不过,我不确定这是否适用于您使用 Spark 流式传输的情况。
关于java - 在 Spark Structured Streaming 中指定 "basePath"选项,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49041300/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!