背景
由于需要查看原始数据,而原始数据实时产生,数据量较大,大约1万/分钟,写入MDB占用MDB的流量带宽,故考虑将原始数据写入Hive
逻辑
Spark Streaming作业中将消费的RDD整体处理为一个临时表,然后insert into到Hive表当日分区,即追加到当日分区
现状
写入少部分数据后就没有新数据进入,但是流处理作业并没有报错
分析:
实时处理任务中,RDD在不断产生,因此就会产生并发写入hive的现状,从而导致上述数据写入停滞的问题。
解决:
应该写入HDFS小文件,然后单独开启任务合并小文件 到大分区