如何在单个 Spark 作业中调用多个 writeStream 操作？

Question

我正在尝试编写一个 Spark 结构化流作业，该作业从 Kafka 主题读取并通过操作写入单独的路径（在执行一些转换之后）writeStream。但是，当我运行以下代码时，仅writeStream执行第一个代码，而第二个代码被忽略。

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2") \
  .option("subscribe", "topic1") \
  .load()

write_one = df.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_one(x,y)) \
  .start() \
  .awaitTermination()

// transform df to df2

write_two = df2.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_two(x,y)) \
  .start() \
  .awaitTermination()

我最初认为我的问题与这篇文章有关，但是，将我的代码更改为以下内容后：

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2") \
  .option("subscribe", "topic1") \
  .load()

write_one = df.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_one(x,y)) \
  .start() 

// transform df to df2 
 
write_two = df2.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_two(x,y)) \
  .start()

write_one.awaitTermination()
write_two.awaitTermination()

我收到以下错误：

org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;

我不确定为什么start()和 之间的附加代码awaitTermination()会导致上面的错误（但我认为这可能是一个单独的问题，在上面同一篇文章的答案中引用）。writeStream在同一作业中调用多个操作的正确方法是什么？最好在调用的函数中进行两次写入foreachBatch，还是有更好的方法来实现这一点？

Answer 1

Spark 文档说，如果您需要执行写入多个位置的操作，则需要使用foreachBatch方法。

您的代码应该类似于：

streamingDF.writeStream.foreachBatch { (batchDF: DataFrame, batchId: Long) =>
  batchDF.persist()
  batchDF.write.format(...).save(...)  // location 1
  batchDF.write.format(...).save(...)  // location 2
  batchDF.unpersist()
}

注意：persist为了防止重新计算，需要这样做。

您可以查看更多信息：http://spark.apache.org/docs/latest/structed-streaming-programming-guide.html#using-foreach-and-foreachbatch