问题描述
我正在尝试将数据从单一来源写入多个DataSink(Mongo和Postgres DB)。 传入数据
Dataset<Row> df = spark
.readStream()
.format("kafka")
.option("kafka.bootstrap.servers","localhost:9092")
.option("subscribe","topic1")
.load();
Dataset<Row> personalDetails = df.selectExpr("name","id","age");
personalDetails.writeStream()
.outputMode(OutputMode.Update())
.foreachBatch((dataframe,bachId) -> {
dataframe.write().format("com.mongodb.spark.sql.DefaultSource").mode(SaveMode.Append)
.option("uri","mongodb://localhost/employee")
.option("database","employee")
.option("collection","PI").save();
}).start();
Dataset<Row> salDetails = df.selectExpr("basicSal","bonus");
salDetails.writeStream()
.outputMode(OutputMode.Update())
.foreachBatch((dataframe,"SAL").save();
}).start();
问题是,我可以看到Spark正在打开两个Stream,并且两次读取相同的事件。 是否可以读取一次并应用不同的转换并写入不同的集合?
解决方法
您应该缓存DataFrame。 参见here:
写入多个位置-如果要将流查询的输出写入多个位置,则只需将输出DataFrame / Dataset多次写入即可。但是,每次写入尝试都可能导致重新计算输出数据(包括可能重新读取输入数据)。为了避免重新计算,您应该缓存输出DataFrame / Dataset,将其写入多个位置,然后取消缓存。
及其示例:
streamingDF.writeStream.foreachBatch { (batchDF: DataFrame,batchId: Long) =>
batchDF.persist()
batchDF.write.format(...).save(...) // location 1
batchDF.write.format(...).save(...) // location 2
batchDF.unpersist()
}
您可以将所有代码放在一个foreachBatch
中,并将数据帧写入两个接收器。您可以通过缓存数据帧,然后在此缓存的数据帧上执行selectExpr
并保存它来完成此操作。
作为旁注-请注意,无论如何,如果您想要“全有或全无”(即您不希望自己写信给mongo而不是写postgres的情况),您只能使用一个foreachBatch
,因为否则(如果您有2个foreachBatch
,例如您的问题),则有2个独立的批次-对于相同的数据,一个批次可能会失败,而另一个批次可能会失败。