无法持久化数据流以在下一批中使用

yrefmtwq  于 2021-06-08  发布在  Kafka
关注(0)|答案(1)|浏览(325)
JavaRDD<String> history_ = sc.emptyRDD();

java.util.Queue<JavaRDD<String> > queue = new LinkedList<JavaRDD<String>>();
queue.add(history_);
JavaDStream<String> history_dstream = ssc.queueStream(queue);

JavaPairDStream<String,ArrayList<String>> history = history_dstream.mapToPair(r -> {
  return new Tuple2< String,ArrayList<String> >(null,null);
});  

 JavaPairInputDStream<String, GenericData.Record> stream_1 =
    KafkaUtils.createDirectStream(ssc, String.class, GenericData.Record.class, StringDecoder.class,
        GenericDataRecordDecoder.class, props, topicsSet_1);

JavaPairInputDStream<String, GenericData.Record> stream_2 =
    KafkaUtils.createDirectStream(ssc, String.class, GenericData.Record.class, StringDecoder.class,
        GenericDataRecordDecoder.class, props, topicsSet_2);

然后进行一些转换并创建类型为的twp dstream data_1和data_2

JavaPairDStream<String, <ArrayList<String>>

并按如下方式进行连接,然后过滤掉那些没有连接键的记录,并将它们保存在历史记录中,以便在下一批中通过与数据\u 1进行联合来使用它

Data_1 = Data_1.union(history);

JavaPairDStream<String, Tuple2<ArrayList<String>, Optional<ArrayList<String>>>> joined =
    Data_1.leftOuterJoin(Data_2).cache();

JavaPairDStream<String, Tuple2<ArrayList<String>, Optional<ArrayList<String>>>> notNULL_join = joined.filter(r -> r._2._2().isPresent());
JavaPairDStream<String, Tuple2<ArrayList<String>, Optional<ArrayList<String>>>> dstream_filtered = joined.filter(r -> !r._2._2().isPresent());

history = dstream_filtered.mapToPair(r -> {
  return new Tuple2<>(r._1,r._2._1);
}).persist;

我在上一步之后获得了历史记录(通过将其保存到hdfs进行检查),但是在执行union时,这个历史记录仍然是成批空的。

zwghvu4y

zwghvu4y1#

从概念上讲,不可能“记住”一个单词 DStream . DStreams 是否有时间限制,在每个时钟周期(称为“批处理间隔”)上 DStream 表示在该时间段内流中观察到的数据。
因此,我们不能有一个“旧的” DStream 保存以加入“新” DStream . 全部 DStreams 活在“现在”。
的底层数据结构 DStreamsRDD :每个批次间隔 DStream 将有1个 RDD 该时间间隔的数据。 RDD 表示数据的分布式集合。 RDD 只要我们有对它们的引用,它们是不变的和永久的。
我们可以合并 RDD s和 DStream s来创建此处所需的“历史滚动”。
它看起来与这个问题上的方法非常相似,但只使用
history RDD .
以下是建议更改的高级视图:

var history: RDD[(String, List[String]) = sc.emptyRDD()

val dstream1 = ...
val dstream2 = ...

val historyDStream = dstream1.transform(rdd => rdd.union(history))
val joined = historyDStream.join(dstream2)

... do stuff with joined as above, obtain dstreamFiltered ...

dstreamFiltered.foreachRDD{rdd =>
   val formatted = rdd.map{case (k,(v1,v2)) => (k,v1)} // get rid of the join info
   history.unpersist(false) // unpersist the 'old' history RDD
   history = formatted // assign the new history
   history.persist(StorageLevel.MEMORY_AND_DISK) // cache the computation
   history.count() //action to materialize this transformation
}

这只是一个起点。还有其他关于 checkpoint 惯性导航与制导。否则 history rdd将无限增长,直到发生堆栈溢出。这篇博客非常完整地介绍了这种特殊的技术:http://www.spark.tc/stateful-spark-streaming-using-transform/
我还建议您使用scala而不是java。java语法太冗长,无法与spark流一起使用。

相关问题