apache-spark - 如何在单个 Spark 作业中调用多个 writeStream 操作？

Question

我正在尝试编写一个 Spark Structured Streaming 作业，该作业从 Kafka 主题读取并通过 writeStream 操作写入单独的路径(在执行一些转换之后)。但是，当我运行以下代码时，只有第一个 writeStream 被执行，第二个被忽略。

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2") \
  .option("subscribe", "topic1") \
  .load()

write_one = df.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_one(x,y)) \
  .start() \
  .awaitTermination()

// transform df to df2

write_two = df2.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_two(x,y)) \
  .start() \
  .awaitTermination()

我最初以为我的问题与此有关 post , 但是，在将我的代码更改为以下内容之后:

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2") \
  .option("subscribe", "topic1") \
  .load()

write_one = df.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_one(x,y)) \
  .start() 

// transform df to df2 
 
write_two = df2.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_two(x,y)) \
  .start()

write_one.awaitTermination()
write_two.awaitTermination()

我收到以下错误:

org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;

我不确定为什么 start() 和 awaitTermination() 之间的附加代码会导致上面的错误(但我认为这可能是一个单独的问题在此 answer 中引用到上面的同一帖子)。在同一作业中调用多个 writeStream 操作的正确方法是什么？最好在由 foreachBatch 调用的函数中进行两次写入，还是有更好的方法来实现这一点？

Answer 1

Spark 文档说，如果您需要对多个位置执行写入操作，则需要使用 foreachBatch 方法。

您的代码应该类似于:

streamingDF.writeStream.foreachBatch { (batchDF: DataFrame, batchId: Long) =>
  batchDF.persist()
  batchDF.write.format(...).save(...)  // location 1
  batchDF.write.format(...).save(...)  // location 2
  batchDF.unpersist()
}

注意:需要坚持以防止重新计算。

您可以查看更多:http://spark.apache.org/docs/latest/structured-streaming-programming-guide.html#using-foreach-and-foreachbatch