Spark结构化流：在滚动窗口的末尾而不是批处理中输出结果

问题描述

我希望将Spark Stream的输出在翻滚窗口的末尾而不是在批处理间隔发送到接收器。

我正在从Kafka流中读取并输出到另一个Kafka流中。

用于查询和写入输出的代码如下：

Dataset<Row> sqlResult = session.sql("select window,user,sum(amount) as amount from users where type = 'A' group by window(timestamp,'1 minute','1 minute'),user");
sqlResult = sqlResult.select(to_json(struct("window","user","amount")).as("value"));

StreamingQuery query = sqlResult.writeStream()
    .format("kafka")
    .option("kafka.bootstrap.servers","localhost:9092")
    .option("topic","aggregated-topic")
    .option("checkpointLocation","c:/tmp")
    .outputMode(OutputMode.Update())
    .start();

当我在 1分钟的窗口内为特定用户发送多条记录时，我希望在1分钟结束时将这些事件的总和。

但是我在输出的Kafka流上获得了多个输出，并且写入了间歇性的聚合。

例如

我将在一分钟内以下列间隔发送以下7条记录。

>{ "id" : 123,"type": "A","user": "tukaram","amount": 10}
>{ "id" : 123,"amount": 10}

我得到的输出是这个：

{"window":{"start":"2020-09-18T14:35:00.000+05:30","end":"2020-09-18T14:36:00.000+05:30"},"user":"tukaram","amount":10.0}
{"window":{"start":"2020-09-18T14:35:00.000+05:30","amount":20.0}
{"window":{"start":"2020-09-18T14:35:00.000+05:30","amount":40.0}
{"window":{"start":"2020-09-18T14:35:00.000+05:30","amount":60.0}
{"window":{"start":"2020-09-18T14:35:00.000+05:30","amount":70.0}

您可以看到，输出在同一窗口内，但是有多个输出。

我想要的是分钟结束时的单个输出，

{"window":{"start":"2020-09-18T14:35:00.000+05:30","amount":70.0}

我该如何实现？

解决方法

将流写入接收器时，您需要设置处理触发器。

使用具有适当触发值的DataStreamWriter的.trigger（Trigger.ProcessingTime）。

StreamingQuery query = sqlResult.writeStream()
        .trigger(Trigger.ProcessingTime("1 minute")) //this