基本上我使用单个Spark Streaming消费者[直接方法]从多个kafka主题消费数据 .
val dStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topicsSet).map(_._2)
批处理间隔为 30 Seconds
.
我在这里有几个问题 .
-
当我在DStream上调用foreachRDD时,DStream是否包含多个RDD而不是单个RDD?每个主题会创建单独的RDD ??
-
如果是,我想将所有RDD联合到单个RDD,然后处理数据 . 我怎么做?
-
如果我的处理时间超过批处理间隔,DStream是否会包含多个RDD?
我尝试使用以下方法将DStream RDD联合到单个RDD . 首先是我的理解正确吗?如果DStream总是返回单个RDD,则不需要以下代码 .
Sample Code:
var dStreamRDDList = new ListBuffer[RDD[String]]
dStream.foreachRDD(rdd =>
{
dStreamRDDList += rdd
})
val joinedRDD = ssc.sparkContext.union(dStreamRDDList).cache()
//THEN PROCESS USING joinedRDD
//Convert joinedRDD to DF, then apply aggregate operations using DF API.
1 回答
不会 . 即使您有多个主题,您也可以在任何给定的批处理间隔内拥有一个RDD .
不,如果您的处理时间比批处理间隔长,那么所有要做的就是读取主题偏移量 . 只有在上一个作业完成后才开始处理下一批 .
作为附注,请确保您确实需要使用
foreachRDD
,或者如果可能you're misusing the DStream API(免责声明:我是该帖子的作者)