我尝试执行的任务是聚合DataFrame中维度(字段)的值计数,执行一些统计信息,如average,max,min等,然后通过进行API调用将聚合输出到外部系统 . 我使用的是30秒的水印,窗口大小为10秒 . 我将这些尺寸做得很小,以便我更容易测试和调试系统 .
我发现进行API调用的唯一方法是使用 ForeachWriter
. 我的问题是 ForeachWriter
在分区级别执行,并且每个分区只生成一个聚合 . 到目前为止,我还没有找到一种方法来获取累积聚合,而不是合并为1,这是一种减慢我的流应用程序的方法 .
我发现,如果我使用基于文件的接收器(如Parquet编写器)到HDFS,则代码会产生真正的聚合 . 它也表现得很好 . 我真正需要的是实现相同的结果,但调用API而不是写入文件系统 .
有谁知道如何做到这一点?
我已经尝试过使用Spark 2.2.2和Spark 2.3并获得相同的行为 .
这是一个简化的代码片段,用于说明我要做的事情:
val valStream = streamingDF
.select(
$"event.name".alias("eventName"),
expr("event.clientTimestamp / 1000").cast("timestamp").as("eventTime"),
$"asset.assetClass").alias("assetClass")
.where($"eventName" === 'MyEvent')
.withWatermark("eventTime", "30 seconds")
.groupBy(window($"eventTime", "10 seconds", $"assetClass", $"eventName")
.agg(count($"eventName").as("eventCount"))
.select($"window.start".as("windowStart"), $"window.end".as("windowEnd"), $"assetClass".as("metric"), $"eventCount").as[DimAggregateRecord]
.writeStream
.option("checkpointLocation", config.checkpointPath)
.outputMode(config.outputMode)
val session = (if(config.writeStreamType == AbacusStreamWriterFactory.S3) {
valStream.format(config.outputFormat)
.option("path", config.outputPath)
}
else {
valStream.foreach(--- this is my DimAggregateRecord ForEachWriter ---)
}).start()
1 回答
我回答了自己的问题 . 我发现按窗口开始时间重新分区就可以了 . 它会对数据进行混洗,以便具有相同组和windowStart时间的所有行都在同一个执行程序上 . 下面的代码为每个组窗口间隔生成一个文件 . 它也表现得很好 . 我没有确切的数字,但它产生的聚合时间少于窗口间隔10秒 .