apache-spark - 为什么流式聚合总是延迟到两批数据？

Question

我使用的是 Spark 2.3.0。

我的问题是每当我在我的输入目录中添加第三批数据时，第一批数据得到处理并打印到控制台。为什么？

val spark = SparkSession
  .builder()
  .appName("micro1")
  .enableHiveSupport()
  .config("hive.exec.dynamic.partition", "true")
  .config("hive.exec.dynamic.partition.mode", "nonstrict")
  .config("spark.sql.streaming.checkpointLocation", "/user/sas/sparkCheckpoint")
  .config("spark.sql.parquet.cacheMetadata","false")
  .getOrCreate()

import spark.implicits._
import org.apache.spark.sql.functions._

// Left side of a join
import org.apache.spark.sql.types._
val mySchema = new StructType()
  .add("id", IntegerType)
  .add("name", StringType)
  .add("year", IntegerType)
  .add("rating", DoubleType)
  .add("duration", IntegerType)
val xmlData = spark
  .readStream
  .option("sep", ",")
  .schema(mySchema)
  .csv("tostack")

// Right side of a join
val mappingSchema = new StructType()
  .add("id", StringType)
  .add("megavol", StringType)
val staticData = spark
  .read
  .option("sep", ",")
  .schema(mappingSchema)
  .csv("input_tost_static.csv") 

xmlData.createOrReplaceTempView("xmlupdates")
staticData.createOrReplaceTempView("mappingdata")

spark
  .sql("select * from xmlupdates a join mappingdata b on  a.id=b.id")
  .withColumn(
    "event_time",
    to_utc_timestamp(current_timestamp, Calendar.getInstance().getTimeZone().getID()))
  .withWatermark("event_time", "10 seconds")
  .groupBy(window($"event_time", "10 seconds", "10 seconds"), $"year")
  .agg(
    sum($"rating") as "rating",
    sum($"duration") as "duration",
    sum($"megavol") as "sum_megavol")
  .drop("window")
  .writeStream
  .outputMode("append")
  .format("console")
  .start

我的输出显示数据如下:我先开始流式传输，然后将数据添加到特定文件夹中。当我添加我的第三个文件时，第一个文件的聚合结果正在打印。为什么？

     -------------------------------------------
     Batch: 0
     -------------------------------------------
     +----+------+--------+-----------+
     |year|rating|duration|sum_megavol|
     +----+------+--------+-----------+
     +----+------+--------+-----------+

     -------------------------------------------
     Batch: 1
     -------------------------------------------
     +----+------+--------+-----------+
     |year|rating|duration|sum_megavol|
     +----+------+--------+-----------+
     +----+------+--------+-----------+

     -------------------------------------------
     Batch: 2
     -------------------------------------------
     +----+------+--------+-----------+
     |year|rating|duration|sum_megavol|
     +----+------+--------+-----------+
     |1963|   2.8|    5126|       46.0|
     |1921|   6.0|   15212|     3600.0|
     +----+------+--------+-----------+

输入数据如下:

1,The Nightmare Before Christmas,1993,3.9,4568
2,The Mummy,1993,3.5,4388
3,Orphans of the Storm,1921,3.2,9062
4,The Object of Beauty,1921,2.8,6150
5,Night Tide,1963,2.8,5126
6,One Magic Christmas,1963,3.8,5333
7,Muriel's Wedding,1963,3.5,6323
8,Mother's Boys,1963,3.4,5733

input_tost_static.csv数据集如下:

3,3000
4,600
5,46

有人能帮我解释为什么 spark structured streaming 会显示这种行为吗？我需要在这里添加任何设置吗？更新:如果我尝试在 JOIN 操作之前打印 val，我将在第 1 批处理中获得结果......问题出现在加入之后......它延迟了超过 3 个批处理......

Answer 1

I have started the streaming first

Batch: 0 在您开始查询后立即执行，并且没有流式传输任何事件，没有输出。

此时，事件时间水印根本没有设置。

and later added data in to the particular folder.

这可能是批处理:1。

然后将事件时间水印设置为 current_timestamp。为了获得任何输出，我们必须等待 “10 秒”(根据 withWatermark("event_time", "10 seconds"))。

when i add my third file the first file aggregated results are getting printed. Why?

这可能是批处理:2。

我假设您下次添加新文件时是在之前的 current_timestamp + "10 seconds" 之后，所以您得到了输出。

请注意，水印可以是 0，这意味着没有延迟数据。