我是新来的人。 我们目前正在建立管道:
所以,我的问题是,当我想使用spark-redis库时,它的性能很好,但是数据在我的流工作中保持静态。
尽管Redis会刷新数据,但不会反映到我的数据框中。 Spark首先读取数据,然后再不更新数据。 我也首先从REDIS数据中读取有关1mio键值字符串的全部数据。
我可以使用哪种方法/方法,我想将Redis用作内存中的动态查找。 查找表几乎要更改1个小时。
谢谢。
使用的库: spark-redis-2.4.1.jar commons-pool2-2.0.jar jedis-3.2.0.jar
以下是代码部分:
import com.intertech.hortonworks.spark.registry.functions._
val config = Map[String, Object]("schema.registry.url" -> "http://aa.bbb.ccc.yyy:xxxx/api/v1")
implicit val srConfig:SchemaRegistryConfig = SchemaRegistryConfig(config)
var rawEventSchema = sparkSchema("my_raw_json_events")
val my_raw_events_df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "aa.bbb.ccc.yyy:9092")
.option("subscribe", "my-raw-event")
.option("failOnDataLoss","false")
.option("startingOffsets", "earliest")
.option("maxOffsetsPerTrigger",1000)
.load()
.select(from_json($"value".cast("string"),rawEventSchema, Map.empty[String, String])
.alias("C"))
import com.redislabs.provider.redis._
val sc = spark.sparkContext
val stringRdd = sc.fromRedisKV("PARAMETERS:*")
val lookup_map = stringRdd.collect().toMap
val lookup = udf((key: String) => lookup_map.getOrElse(key,"") )
val curated_df = my_raw_events_df
.select(
...
$"C.SystemEntryDate".alias("RecordCreateDate")
,$"C.Profile".alias("ProfileCode")
,**lookup(expr("'PARAMETERS:PROFILE||'||NVL(C.Profile,'')")).alias("ProfileName")**
,$"C.IdentityType"
,lookup(expr("'PARAMETERS:IdentityType||'||NVL(C.IdentityType,'')")).alias("IdentityTypeName")
...
).as("C")
import org.apache.spark.sql.streaming.Trigger
val query = curated_df
.select(to_sr(struct($"*"), "curated_event_sch").alias("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", "aa.bbb.ccc.yyy:9092")
.option("topic", "curated-event")
.option("checkpointLocation","/user/spark/checkPointLocation/xyz")
.trigger(Trigger.ProcessingTime("30 seconds"))
.start()
query.awaitTermination()
答案 0 :(得分:1)
一种选择是不使用spark-redis,而是直接在Redis中进行查找。这可以通过df.mapPartitions
函数来实现。您可以在https://blog.codecentric.de/en/2017/07/lookup-additional-data-in-spark-streaming/上找到Spark DStream的一些示例。结构流的想法与此类似。注意正确处理Redis连接。
答案 1 :(得分:1)
另一种解决方案是执行流静态连接(spark docs):
与其将redis rdd收集到驱动程序,不如将redis数据帧(spark-redis docs)用作要与流连接的静态数据帧,因此它将像:
val redisStaticDf = spark.read. ...
val streamingDf = spark.readStream. ...
streamingDf.join(redisStaticDf, ...)
由于spark微批处理执行引擎会评估每个触发器的查询执行,因此redis数据帧将在每个触发器上获取数据,从而为您提供最新数据(如果您将缓存该数据帧,则不会)