将kafka的批处理流火花生成单个文件

Question

我正在使用批处理流（maxRatePerPartition 10.000）从Kafka流数据。 因此，每批处理10.000 kafka消息。

在此批处理运行中，我通过从rdd中创建一个dataFrame来处理每条消息。 处理之后，我使用以下命令将每个处理的记录保存到同一文件：dataFrame.write.mode（SaveMode.append）。 因此，它将所有消息附加到同一文件。

只要在一次批处理中运行就可以。 但是，在执行下一个批处理运行（处理了下10.000条消息）之后，它将为接下来的10.000条消息创建一个新文件。

现在的问题是：每个文件（块）保留文件系统的50mb，但仅包含1mb（10.000条消息）。 我宁愿不将每个批处理都创建新文件，而是将它们全部附加到一个文件中，只要它不超过50mb。

您知道如何执行此操作，或者为什么在我的示例中它不起作用？ 您可以在这里查看我的编码：

import kafka.serializer.{DefaultDecoder, StringDecoder}
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{SQLContext, SaveMode}
import org.apache.spark.streaming.kafka._
import org.apache.spark.streaming.{Seconds, StreamingContext, Time}
import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.immutable.Set


object SparkStreaming extends Constants {


  def main(args: Array[String]) {

//create a new Spark configuration...
val conf = new SparkConf()
  .setMaster("local[2]") // ...using 2 cores
  .setAppName("Streaming")
  .set("spark.streaming.kafka.maxRatePerPartition", "10000")  //... processing max. 10000 messages per second

//create a streaming context for micro batch
val ssc = new StreamingContext(conf, Seconds(1)) //Note: processing max. 1*10000 messages (see config above.)

//Setup up Kafka DStream
val kafkaParams = Map("metadata.broker.list" -> "sandbox.hortonworks.com:6667",
  "auto.offset.reset" -> "smallest") //Start from the beginning
val kafkaTopics = Set(KAFKA_TOPIC_PARQUET)

val directKafkaStream = KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder](ssc,
  kafkaParams, kafkaTopics)

val records = directKafkaStream.map(Source => StreamingFunctions.transformAvroSource(Source))


records.foreachRDD((rdd: RDD[TimeseriesRddRecord], time: Time) => {
  val sqlContext = SQLContext.getOrCreate(rdd.sparkContext) // Worker node singleton
  import sqlContext.implicits._

  val dataFrame = rdd.toDF()

  dataFrame.write.mode(SaveMode.Append).partitionBy(PARQUET_PARTITIONBY_COLUMNS :_*).parquet(PARQUET_FILE_PATH_TIMESERIES_LOCAL)
  println(s"Written entries: ${dataFrame.count()}")
}
)


//start streaming until the process is killed
ssc.start()
ssc.awaitTermination()

  }


  /** Case class for converting RDD to DataFrame */
  case class DataFrameRecord(thingId: String, timestamp: Long, propertyName: String, propertyValue: Double)


  /** Lazily instantiated singleton instance of SQLContext */
  object SQLContextSingleton {

@transient private var instance: SQLContext = _

def getInstance(sparkContext: SparkContext): SQLContext = {
  if (instance == null) {
    instance = new SQLContext(sparkContext)
  }
  instance
    }
  }

}

我很高兴得到您的想法。 谢谢，亚历克斯

Answer 1

这可以通过使用coalesce功能然后覆盖现有文件来完成。

但是，正如线程中所讨论的那样， 当程序中止时Spark合并会释放文件，而当程序中断时会出错。

因此，暂时似乎不足以实现这种逻辑。