Я передаю данные из Kafka с помощью пакетной потоковой передачи (maxRatePerPartition 10.000). Поэтому в каждой партии я обрабатываю 10.000 сообщений кафки.Spark пакетная передача kafka в один файл
В рамках этого пакетного запуска обрабатываю каждое сообщение, создавая DataFrame из rdd. После обработки я сохраняю каждую обработанную запись в том же файле, используя: dataFrame.write.mode (SaveMode.append). Таким образом, он добавляет все сообщения в один и тот же файл.
Это нормально, пока он работает в рамках одного пакетного запуска. Но после выполнения следующего пакетного запуска (обрабатывается следующее 10.000 сообщений), он создает новый файл для следующих 10.000 сообщений.
Проблема в следующем: каждый файл (блок) резервирует 50 МБ файловой системы, но содержит только около 1 мб (10.000 сообщений). Вместо того, чтобы создавать новые файлы для каждого запуска, я предпочел бы, чтобы все это было добавлено к одному файлу, если оно не превышает 50 МБ.
Вы знаете, как это сделать или почему это не работает в моем примере? Вы можете посмотреть мою кодировку здесь:
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
}
}
}
Я был бы рад получить ваши мысли об этом. Спасибо, Alex