我正在尝试将数据从单个源写入多个数据链接(mongo和postgres dbs)。传入数据
Dataset<Row> df = spark
.readStream()
.format("kafka")
.option("kafka.bootstrap.servers", "localhost:9092")
.option("subscribe", "topic1")
.load();
Dataset<Row> personalDetails = df.selectExpr("name", "id", "age");
personalDetails.writeStream()
.outputMode(OutputMode.Update())
.foreachBatch((dataframe, bachId) -> {
dataframe.write().format("com.mongodb.spark.sql.DefaultSource").mode(SaveMode.Append)
.option("uri", "mongodb://localhost/employee")
.option("database", "employee")
.option("collection", "PI").save();
}).start();
Dataset<Row> salDetails = df.selectExpr("basicSal", "bonus");
salDetails.writeStream()
.outputMode(OutputMode.Update())
.foreachBatch((dataframe, bachId) -> {
dataframe.write().format("com.mongodb.spark.sql.DefaultSource").mode(SaveMode.Append)
.option("uri", "mongodb://localhost/employee")
.option("database", "employee")
.option("collection", "SAL").save();
}).start();
问题是,我可以看到Spark正在打开两个流并读取相同的事件两次。是否可以读取一次并应用不同的转换和写入不同的集合?
1条答案
按热度按时间bvjxkvbb1#
你应该缓存Dataframe。请看这里:
向多个位置写入—如果要将流式查询的输出写入多个位置,则只需多次写入输出Dataframe/数据集即可。但是,每次尝试写入都可能导致重新计算输出数据(包括可能重新读取输入数据)。为了避免重新计算,应该缓存输出dataframe/dataset,将其写入多个位置,然后取消缓存。
以及他们的例子:
你可以把所有的代码放在一个
foreachBatch
并将Dataframe写入两个接收器。可以通过缓存Dataframe并执行selectExpr
并保存它。作为旁注-请注意,在任何情况下,如果您想要“全部或全部”(即,您不希望出现您写信给mongo而不是postgres的情况),您只能使用一个
foreachBatch
,否则(如果你有2个foreachBatch
,如您的问题所示)您有两个独立的批处理—对于相同的数据,一个批处理可能会失败,而另一个批处理成功。