- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试从 Azure Data Lake Gen1 读取 avro 数据,这些数据是从 Azure EventHub 生成的,并且在 Azure Databricks 中使用 pyspark 启用了 Azure 事件中心捕获:
inputdata = "evenhubscapturepath/*/*"
rawData = spark.read.format("avro").load(inputdata)
以下语句失败
rawData.count()
与
org.apache.spark.SparkException: Job aborted due to stage failure: Task 162 in stage 48.0 failed 4 times, most recent failure: Lost task 162.3 in stage 48.0 (TID 2807, 10.3.2.4, executor 1): java.io.IOException: Not an Avro data file
EventHub-Capture 是否正在写入非 Avro 数据?是否有使用 Spark 读取 EventHub 捕获的数据的最佳实践?
最佳答案
实现冷摄取路径的一种模式是使用 Event Hubs Capture 。 EventHubs 捕获按照windowing parameters 的定义为每个分区写入一个文件。 。数据以 avro 格式写入,可以使用 Apache Spark 进行分析。
那么使用此功能的最佳实践是什么?
<强>1。不要过度分区
我经常看到人们使用默认配置,最终常常会产生许多小文件。如果您想使用 Spark 使用通过 EventHubs Capture 摄取的数据,请记住 file sizes in Azure Data Lake Store 的最佳实践。和 partitions与 Spark 。文件大小应约为 256 MB,分区应在 10 到 50 GB 之间。因此,最终配置取决于您正在使用的消息的数量和大小。在大多数情况下,您只需按摄取日期对数据进行分区就可以了。
<强>2。选中“不发出空文件选项”
您应该选中“不发出空文件选项”。如果想用Spark来消费数据,可以节省不必要的文件操作。
<强>3。使用文件路径中的数据源
使用流式架构,您的 EventHub 就相当于面向批处理的架构方法中的着陆区。因此,您将在原始数据层中摄取数据。良好的做法是在目录路径中使用数据源而不是 EventHub 的名称。例如,如果您从工厂的机器人获取遥测数据,这可能是目录路径 /raw/robots/
存储命名需要使用所有属性,例如 {Namesapce}、{PartitionId}。因此,最终,具有明确定义的路径、每日分区以及使用 Azure Data Lake Gen 2 中文件名的其余属性的良好捕获文件格式定义可能如下所示:
/raw/robots/ingest_date={Year}-{Month}-{Day}/{Hour}{Minute}{Second}-{Namespace}-{EventHub}-{PartitionId}
<强>4。考虑压实工作
捕获的数据未压缩,并且在您的用例中也可能最终形成小文件(因为最小写入频率为 15 分钟)。因此,如果有必要,请编写每天运行一次的压缩作业。类似的东西
df.repartition(5).write.format("avro").save(targetpath)
将完成这项工作。
那么现在读取捕获数据的最佳实践是什么?
<强>5。忽略读取数据的非 avro 文件
Azure EventHubs Capture 将临时数据写入 Azure Data Lake Gen1。最佳实践是仅使用 avro 扩展名读取数据。您可以通过 Spark 配置轻松实现此目的:
spark.conf.set("avro.mapred.ignore.inputs.without.extension", "true")
<强>6。只读取相关分区
考虑仅读取相关分区,例如。 G。过滤当前摄取日。
<强>7。使用共享元数据
读取捕获的数据的工作方式与直接从 Azure EventHub 读取数据类似。所以你必须有一个模式。假设您还有使用 Spark 结构化流直接读取数据的作业,一个好的模式是存储元数据并共享它。您可以将此元数据存储在 Data Lake Store json 文件中:
[{"MeasurementTS":"timestamp","Location":"string", "Temperature":"double"}]
然后用这个 simple parsing function 来阅读它:
# parse the metadata to get the schema
from collections import OrderedDict
from pyspark.sql.types import *
import json
ds = dbutils.fs.head (metadata) # read metadata file
items = (json
.JSONDecoder(object_pairs_hook=OrderedDict)
.decode(ds)[0].items())
#Schema mapping
mapping = {"string": StringType, "integer": IntegerType, "double" : DoubleType, "timestamp" : TimestampType, "boolean" : BooleanType}
schema = StructType([
StructField(k, mapping.get(v.lower())(), True) for (k, v) in items])
所以你可以重用你的架构:
from pyspark.sql.functions import *
parsedData = spark.read.format("avro").load(rawpath). \
selectExpr("EnqueuedTimeUtc", "cast(Body as string) as json") \
.select("EnqueuedTimeUtc", from_json("json", schema=Schema).alias("data")) \
.select("EnqueuedTimeUtc", "data.*")
关于azure - 使用 Databricks 从 Azure EventHubs Capture 生成的 Azure Data Lake Gen1 读取 avro 数据失败,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59127077/
我一直在阅读 Captures这一段引起了我的兴趣: Inside a Signature, a Capture may be created by prefixing a sigilless par
我在 Java 中使用这个正则表达式: ^(Mon(?:.?|day)?)(?:[\.,])?$ (可以测试 here ) 我想捕获日期,后跟可选的 . 或 ,。如果是星期一,我想捕获 Monday
我正在 try catch 功能键 F1 到 F12 和 4 个箭头键以及主页、插入、删除、结束、向上翻页和向下翻页键。如何???? private void Form1_KeyPress(objec
没有capture="camera" input type="file" 的属性标签 in official w3.org documentation . 讽刺的是,我发现了这么多地方 capture
摘自Huon Wilson的Finding Closure in Rust: Capturing entirely by value is also strictly more general tha
所以我想这样做: public interface IFieldObject { public Comparable get(); } public interface IFieldCondi
我希望使用正则表达式将单词分成组(vowels, not_vowels, more_vowels),使用标记来确保每个单词以元音开头和结尾。 import re MARKER = "~" VOWELS
我在浏览 StackOverflow 时发现了 Szimek/Signature_Pad 以使用 Javascript 捕获电子/数字签名。 我研究过,但我仍然对如何将 DATA URI 捕获到变量中
我正在尝试关注 this example使用带有 remove_if 的 lambda。这是我的尝试: int flagId = _ChildToRemove->getId(); auto new_e
我无法捕获 在屏幕捕获区域内。 我想要一个定义的部分,其中包含要捕获的图像和内容。我们怎样才能做到这一点?帮助! 访问:https://stackblitz.com/edit/ngx-capture-
从 Perl 脚本调用外部程序时,Capture::Tiny 是否避免了使用 system() 时需要的磁盘 io?使用任何一种时,我都能获得基本相同的性能。一位同事正在使用我的代码并告诉我它正在敲打
作为数值方法研究的一部分,我正在编写一个函数来解决流值问题。这是该程序的“核心”,但它出现了一些奇怪的错误,这很奇怪,因为我在其他程序中使用了相同的代码段而没有出现任何错误。 void solve_
vector vec; //a auto foo = [&vec](){ //do something }; //b auto foo = [&v = vec](){ //do som
我正在使用 PyDev 对我的 Python 应用程序进行开发和单元测试。至于单元测试,除了没有内容被记录到日志框架之外,一切都很好。 PyDev 的“捕获的输出”没有捕获记录器。 我已经将记录的所有
你能帮我解决这个编译器错误吗? template static void ComputeGenericDropCount(function func) { T::ForEach([](T *w
第一次做泛型,我有点困惑。 我有以下内容: public interface GenericDao { /** * Retrieve an object that was previ
我正在尝试提取此代码中 dir_entry.path() 的值并想将其复制到 compFileName 中。问题是我一直收到错误“compFileName cannot be implicitly c
我正在使用在网上找到的 WebCam_Capture 代码通过 C# 访问网络摄像头。在一台只有一个视频源的计算机上,它就像一个魅力! (程序在启动时启动,找到网络摄像头并正常工作)。 虽然在一台有很
下面的代码 void CMainWindow::someMethod(const CLocationsCollection& parentItem) { auto f = [this, par
所以我打开了一个 youtube 页面,我可以在那里观看视频。 但是这个视频被用户下架了。我打开的页面仍然有视频,如果你再次访问(刷新)新页面没有。 由于我在浏览器选项卡 (chrome) 中加载了视
我是一名优秀的程序员,十分优秀!