scala - 流静态加入 : How to refresh (unpersist/persist) static Dataframe periodically

Question

我正在构建一个 Spark Structured Streaming 应用程序，我正在其中执行批处理流连接。批处理数据的源会定期更新。
因此，我计划定期对该批处理数据进行持久化/非持久化。
下面是我用来持久化和取消持久化批处理数据的示例代码。
流动:

读取批量数据

持久化批处理数据

每隔一小时，取消持久化数据并读取批处理数据并再次持久化。

但是，我没有看到批处理数据每小时刷新一次。
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)
}

有没有更好的方法可以在 Spark 结构化流媒体作业中实现这种情况？

Answer 1

您可以通过使用 Structured Streaming 提供的流调度功能来实现这一点。
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(非持久化 -> 加载 -> 持久化)。这个想法是:

最初加载静态数据帧并保持为 var

定义一个刷新静态数据框的方法

使用按所需时间间隔(例如 1 小时)触发的“速率”流

读取实际流数据并使用静态数据帧执行连接操作

在该速率流中有一个 foreachBatch调用在步骤 2 中创建的 refresher 方法的接收器。

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()

举一个完整的例子，增量表被创建并更新为新值，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)