apache-spark - Jupyter Notebook 上未显示结构化流输出

Question

我有两本笔记本。第一个笔记本正在使用 tweepy 从 twitter 读取推文并将其写入套接字。其他笔记本正在使用 spark 结构化流 (Python) 从该套接字读取推文并将其结果写入控制台。不幸的是，我没有在 jupyter 控制台上获得输出。代码在 pycharm 上运行良好。

spark = SparkSession \
    .builder \
    .appName("StructuredStreaming") \
    .getOrCreate()
spark.sparkContext.setLogLevel("ERROR")

# This is Spark Structured Streaming Code which is reading streams from twitter and showing them on console.
tweets = spark \
    .readStream \
    .format("socket") \
    .option("host", "127.0.0.1") \
    .option("port", 7000) \
    .load()

query = tweets \
    .writeStream \
    .option("truncate", "false") \
    .outputMode("append") \
    .format("console") \
    .start()

query.awaitTermination()

Answer 1

我不确定 Jupyter Notebook 是否可以做到这一点。但是，您可以使用内存输出来实现类似的结果。这在 complete 中很简单模式，但可能需要对 append 进行一些更改.

对于 complete模式

在 complete输出模式，您的查询应该或多或少如下:

query = tweets \
    .writeStream \
    .outputMode("complete") \
    .format("memory") \
    .queryName("your_query_name") \
    .start()

请注意，没有 query.awaitTermination()在末尾。
现在，查询 your_query_name另一个单元格中的临时表，并根据需要观看不断更新的结果:

from IPython.display import display, clear_output

while True:
    clear_output(wait=True)
    display(query.status)
    display(spark.sql('SELECT * FROM your_query_name').show())
    sleep(1)

对于 append模式

如果您想使用 append输出模式，你必须使用水印。您也将无法使用聚合，因此您的代码可能需要进一步更改。

query = tweets \
    .withWatermark("timestampColumn", "3 minutes")
    .writeStream \
    .outputMode("append") \
    .format("memory") \
    .queryName("your_query_name") \
    .start()

显示代码保持不变。
您也可以显示 query.lastProgress以类似的方式获取更详细的信息。

灵感和引用

How to get the output from console streaming sink in Zeppelin?

Overwrite previous output in jupyter notebook