scala - 附加模式下水印聚合查询的空输出

Question

我使用 Spark 2.2.0-rc1。

我有一个卡夫卡 topic我正在查询一个正在运行的带水印的聚合，带有 1 minute水印，发给 console与 append输出模式。

import org.apache.spark.sql.types._
val schema = StructType(StructField("time", TimestampType) :: Nil)
val q = spark.
  readStream.
  format("kafka").
  option("kafka.bootstrap.servers", "localhost:9092").
  option("startingOffsets", "earliest").
  option("subscribe", "topic").
  load.
  select(from_json(col("value").cast("string"), schema).as("value"))
  select("value.*").
  withWatermark("time", "1 minute").
  groupBy("time").
  count.
  writeStream.
  outputMode("append").
  format("console").
  start

我正在 Kafka 中推送以下数据 topic :

{"time":"2017-06-07 10:01:00.000"}
{"time":"2017-06-07 10:02:00.000"}
{"time":"2017-06-07 10:03:00.000"}
{"time":"2017-06-07 10:04:00.000"}
{"time":"2017-06-07 10:05:00.000"}

我得到以下输出:

scala> -------------------------------------------
Batch: 0
-------------------------------------------
+----+-----+                                                                    
|time|count|
+----+-----+
+----+-----+

-------------------------------------------
Batch: 1
-------------------------------------------
+----+-----+                                                                    
|time|count|
+----+-----+
+----+-----+

-------------------------------------------
Batch: 2
-------------------------------------------
+----+-----+                                                                    
|time|count|
+----+-----+
+----+-----+

-------------------------------------------
Batch: 3
-------------------------------------------
+----+-----+                                                                    
|time|count|
+----+-----+
+----+-----+

-------------------------------------------
Batch: 4
-------------------------------------------
+----+-----+                                                                    
|time|count|
+----+-----+
+----+-----+

这是预期的行为吗？

Answer 1

向 Kafka 推送更多数据应该会触发 Spark 输出一些东西。当前的行为完全是由于内部实现。

当你推送一些数据时，StreamingQuery 会生成一个批处理来运行。当该批次完成时，它会记住该批次中的最大事件时间。然后在下一批，
因为您正在使用 append模式下，StreamingQuery 将使用最大事件时间和水印从 StateStore 中驱逐旧值并输出它。因此，您需要确保至少生成两个批次才能看到输出。