Question

这是通过Spark Streaming运行简单SQL查询的代码。

import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.StreamingContext._
import org.apache.spark.sql.SQLContext
import org.apache.spark.streaming.Duration

object StreamingSQL {

  case class Persons(name: String, age: Int)

  def main(args: Array[String]) {

    val sparkConf = new SparkConf().setMaster("local").setAppName("HdfsWordCount")
    val sc = new SparkContext(sparkConf)
    // Create the context
    val ssc = new StreamingContext(sc, Seconds(2))

    val lines = ssc.textFileStream("C:/Users/pravesh.jain/Desktop/people/")
    lines.foreachRDD(rdd=>rdd.foreach(println))

    val sqc = new SQLContext(sc);
    import sqc.createSchemaRDD

    // Create the FileInputDStream on the directory and use the
    // stream to count words in new files created

    lines.foreachRDD(rdd=>{
      rdd.map(_.split(",")).map(p => Persons(p(0), p(1).trim.toInt)).registerAsTable("data")
      val teenagers = sqc.sql("SELECT name FROM data WHERE age >= 13 AND age <= 19")
      teenagers.foreach(println)
    })

    ssc.start()
    ssc.awaitTermination()
  }
}

如您所见，要通过流式传输SQL运行，必须在foreachRDD方法中进行查询。我想对从两个不同的流接收的数据运行SQL连接。有什么方法可以做到吗？

Answer 1

嗯，我想总结一下我们在 Spiro 的答案中讨论后得到的解决方法。他建议首先创建一个空表，然后将RDD插入其中。唯一的问题是 Spark不允许插入表格。以下是可以做的事情：

首先，创建一个RDD，其模式与您期望从您的流中获得的模式相同：

import sqlContext.createSchemaRDD
val d1=sc.parallelize(Array(("a",10),("b",3))).map(e=>Rec(e._1,e._2))

然后将其另存为 Parquet文件

d1.saveAsParquetFile("/home/p1.parquet")

现在，加载镶木地板文件并使用 registerAsTable（）方法将其注册为表。

val parquetFile = sqlContext.parquetFile("/home/p1.parquet")
parquetFile.registerAsTable("data")

现在，当您收到流时，只需在流上应用 foreachRDD（），然后使用 insertInto（）继续在上面创建的表格中插入各个RDD方法

dStream.foreachRDD(rdd=>{
rdd.insertInto("data")
})

此insertInto（）工作正常，允许将数据收集到表中。现在，您可以对任意数量的流执行相同操作，然后运行查询。

Answer 2

您编写代码的方式，每次运行SQL查询时，最终都会生成一系列小型SchemaRDD。诀窍是将这些中的每一个保存到累积RDD或累积表。

首先，表格方法，使用insertInto：

对于每个流，首先创建一个您注册为表的emty RDD，获取一个空表。就你的例子而言，让我们称之为＆＃34; allTeenagers＆＃34;。

然后，对于每个查询，使用SchemaRDD的insertInto方法将结果添加到该表中：

teenagers.insertInto("allTeenagers")

如果对两个流执行此操作，创建两个单独的累积表，则可以使用普通的旧SQL查询加入它们。

（注意：我实际上并没有能够让他上班，而且一点点搜索让我怀疑其他人是否有，但我很确定我已经理解了设计意图insertInto，所以我认为这个解决方案值得记录。）

第二次，unionAll方法（还有一个union方法，但是这样可以让类型更加正确）：

这涉及创建一个初始RDD - 再次让它称之为allTeenagers。

// create initial SchemaRDD even if it's empty, so the types work out right
var allTeenagers = sqc.sql("SELECT ...")

然后，每次：

val teenagers = sqc.sql("SELECT ...")
allTeenagers = allTeenagers.unionAll(teenagers)

也许不用说，你需要列匹配。

SQL over Spark Streaming

2 个答案: