具有定期更新的静态数据集的结构化流

Question

将流与静态数据集合并是结构化流的一个重要功能。但是，每一批数据集都会从数据源中刷新。由于这些源并不总是那么动态，因此在指定的时间段（或批处理数量）中缓存静态数据集会提高性能。在指定的周期/批次数后，将从源重新加载数据集，否则从缓存中检索数据集。

在Spark流中，我使用缓存的数据集对此进行了管理，并在指定数量的批处理运行后取消了持久化，但是由于某种原因，它不再适用于结构化流。

有什么建议可以使用结构化流媒体吗？

Answer 1

我为另一个问题开发了一个解决方案Stream-Static Join: How tofresh (unpersist/persist) static Dataframe period这也可能有助于解决您的问题：

您可以通过利用结构化流提供的流调度功能来做到这一点。

您可以通过创建定期刷新静态数据集的人工“速率”流来触发静态数据帧的刷新（取消持久 -> 加载 -> 持久）。这个想法是：

1. 最初加载 staticDataframe 并保持为var
2. 定义刷新静态Dataframe的方法
3. 使用按所需间隔（例如 1 小时）触发的“速率”流
4. 读取实际的流数据并与静态Dataframe执行join操作
5. 在该速率流中有一个foreachBatch调用刷新方法的接收器

以下代码在 Spark 3.0.1、Scala 2.12.10 和 Delta 0.7.0 上运行良好。

  // 1. Load the staticDataframe initially and keep as `var`
  var staticDf = spark.read.format("delta").load(deltaPath)
  staticDf.persist()

  //  2. Define a method that refreshes the static Dataframe
  def foreachBatchMethod[T](batchDf: Dataset[T], batchId: Long) = {
    staticDf.unpersist()
    staticDf = spark.read.format("delta").load(deltaPath)
    staticDf.persist()
    println(s"${Calendar.getInstance().getTime}: Refreshing static Dataframe from DeltaLake")
  }

  // 3. Use a "Rate" Stream that gets triggered at the required interval (e.g. 1 hour)
  val staticRefreshStream = spark.readStream
    .format("rate")
    .option("rowsPerSecond", 1)
    .option("numPartitions", 1)
    .load()
    .selectExpr("CAST(value as LONG) as trigger")
    .as[Long]

  // 4. Read actual streaming data and perform join operation with static Dataframe
  // As an example I used Kafka as a streaming source
  val streamingDf = spark.readStream
    .format("kafka")
    .option("kafka.bootstrap.servers", "localhost:9092")
    .option("subscribe", "test")
    .option("startingOffsets", "earliest")
    .option("failOnDataLoss", "false")
    .load()
    .selectExpr("CAST(value AS STRING) as id", "offset as streamingField")

  val joinDf = streamingDf.join(staticDf, "id")

  val query = joinDf.writeStream
    .format("console")
    .option("truncate", false)
    .option("checkpointLocation", "/path/to/sparkCheckpoint")
    .start()

  // 5. Within that Rate Stream have a `foreachBatch` sink that calls refresher method
  staticRefreshStream.writeStream
    .outputMode("append")
    .foreachBatch(foreachBatchMethod[Long] _)
    .queryName("RefreshStream")
    .trigger(Trigger.ProcessingTime("5 seconds"))
    .start()

为了获得完整的示例，增量表的创建如下：

  val deltaPath = "file:///tmp/delta/table"

  import spark.implicits._
  val df = Seq(
    (1L, "static1"),
    (2L, "static2")
  ).toDF("id", "deltaField")

  df.write
    .mode(SaveMode.Overwrite)
    .format("delta")
    .save(deltaPath)