Question

我是新来的人。我们目前正在建立管道：

阅读Kafka主题中的事件
借助Redis-Lookup丰富此数据
将事件写到新的Kafka主题

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()

Answer 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。

Answer 2

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）

使用Redis进行Spark结构化流式动态查找

2 个答案: