我想要不断地细化数据集流的行（最初由kafka发起）：基于一个条件，我想要更新radis散列。这是我的代码片段( lastContacts 是前一个命令的结果，该命令是此类型的流： org.apache.spark.sql.DataFrame = [serialNumber: string, lastModified: long] . 这扩展到 org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] ):
class MyStreamProcessor extends ForeachWriter[Row] {
override def open(partitionId: Long, version: Long): Boolean = {
true
}
override def process(record: Row) = {
val stringHashRDD = sc.parallelize(Seq(("lastContact", record(1).toString)))
sc.toRedisHASH(stringHashRDD, record(0).toString)(redisConfig)
}
override def close(errorOrNull: Throwable): Unit = {}
}
val query = lastContacts
.writeStream
.foreach(new MyStreamProcessor())
.start()
query.awaitTermination()我收到一个巨大的堆栈跟踪，相关部分（我认为）是： java.io.NotSerializableException: org.apache.spark.sql.streaming.DataStreamWriter 有人能解释一下为什么会出现这种异常以及如何避免这种情况吗？谢谢您！
这个问题涉及以下两个方面：
dataframe到rdd[（string，string）]的转换
用databricks中的流调用每个元素的函数
1条答案
按热度按时间iezvtpos1#
spark上下文不可序列化。
foreachwriter的任何实现都必须是可序列化的，因为每个任务都将获得所提供对象的新序列化反序列化副本。因此，强烈建议在调用open（…）方法（这表示任务已准备好生成数据）之后进行任何写入数据的初始化（例如，打开连接或启动事务）。
在您的代码中，您试图在process方法中使用spark上下文，
要将数据发送到redis，您需要创建自己的连接并在open方法中打开它，然后在process方法中使用它。
看看如何创建redis连接池。https://github.com/redislabs/spark-redis/blob/master/src/main/scala/com/redislabs/provider/redis/connectionpool.scala