scala - Spark Structured Streaming writeStream 输出一个全局csv

Question

我目前正在使用 Spark Structured Streaming 制作原始日志数据聚合器。

Inputstream 由一个包含文本文件的目录组成:

// == Input == //

val logsDF = spark.readStream
  .format("text")
  .option("maxFilesPerTrigger", 1)
  .load("input/*")

然后解析日志...

// == Parsing == //

val logsDF2 = ...

...和汇总

// == Aggregation == //

val windowedCounts = logsDF2
  .withWatermark("window_start", "15 minutes")
  .groupBy(
    col("window"),
    col("node")
  ).count()

当我使用“控制台”接收器时，一切正常:结果在控制台中按批次更新:

// == Output == //

val query = windowedCounts.writeStream
  .format("console")
  .outputMode("complete")
  .start()
  .awaitTermination()

现在我想将结果保存在一个唯一的文件中(json、parquet、csv ..)

// == Output == //

val query = windowedCounts.writeStream
  .format("csv")
  .option("checkpointLocation", "checkpoint/")
  .start("output/")
  .awaitTermination()

但它给我输出 400 个空的 csv ......我怎样才能像在控制台中那样得到我的结果？

非常感谢 !

Answer 1

很久以前，但我自己遇到了这个问题，并认为我会解决它。确实，我认为您的代码很好，直到您尝试将数据放入 csv 文件中。尝试将 writeStream csv 代码更改为:

// == Output == //
val query = windowedCounts.writeStream
  .format("csv")
  .trigger(processingTime="10 seconds")
  .option("checkpointLocation", "checkpoint/")
  .option("path", "output_path/")
  .outputMode("append")
  .start()
  .awaitTermination()

线路:

.trigger(processingTime="10 seconds")

应该解决您的 400 个文件，因为它每 10 秒只写入一个新文件。这两行:

.option("path", "output_path/")
.outputMode("append")

当您附加最新值并将文件输出到特定输出目录时，应该可以解决空文件问题。