Question

我正在编写一个测试应用程序，该应用程序使用来自Kafka的topcis的消息，然后将数据推送到S3并进入RDBMS表（流程类似于此处所示：https://databricks.com/blog/2017/04/26/processing-data-in-apache-kafka-with-structured-streaming-in-apache-spark-2-2.html）。所以我从Kafka读取数据然后：

每条消息都要保存到S3
某些消息保存到外部数据库中的表A（基于过滤条件）
其他一些消息保存到外部数据库中的表B（其他过滤条件）

所以我喜欢：

Dataset<Row> df = spark
.readStream()
.format("kafka")
.option("kafka.bootstrap.servers", "host1:port1,host2:port2")
.option("subscribe", "topic1,topic2,topic3")
.option("startingOffsets", "earliest")
.load()
.select(from_json(col("value").cast("string"), schema, jsonOptions).alias("parsed_value"))

（请注意我从多个Kafka主题中读到的内容）。接下来，我定义了所需的数据集：

Dataset<Row> allMessages = df.select(.....)
Dataset<Row> messagesOfType1 = df.select() //some unique conditions applied on JSON elements
Dataset<Row> messagesOfType2 = df.select() //some other unique conditions

现在为每个数据集我创建查询以开始处理：

StreamingQuery s3Query = allMessages
.writeStream()
.format("parquet")
.option("startingOffsets", "latest")
.option("path", "s3_location")
.start()

StreamingQuery firstQuery = messagesOfType1
.writeStream()
.foreach(new CustomForEachWiriterType1()) // class that extends ForeachWriter[T] and save data into external RDBMS table
.start();

StreamingQuery secondQuery = messagesOfType2
.writeStream()
.foreach(new CustomForEachWiriterType2()) // class that extends ForeachWriter[T] and save data into external RDBMS table (may be even another database than before)
.start();

现在我想知道：

那些并行执行的查询（或者以FIFO顺序一个接一个地执行，我应该将这些查询分配给不同的调度程序池）？

Answer 1

将是那些并行执行的查询

是。这些查询将并行执行（每个trigger您没有指定，因此要尽快运行它们。）

在内部，当您在DataStreamWriter上执行start时，您会创建一个StreamExecution，然后立即创建所谓的守护程序microBatchThread（引自the Spark source code下面）：

  val microBatchThread =
    new StreamExecutionThread(s"stream execution thread for $prettyIdString") {
      override def run(): Unit = {
        // To fix call site like "run at <unknown>:0", we bridge the call site from the caller
        // thread to this micro batch thread
        sparkSession.sparkContext.setCallSite(callSite)
        runBatches()
      }
    }

您可以在其自己的线程中查看名称为

的每个查询

stream execution thread for [prettyIdString]

您可以使用jstack或jconsole检查单独的主题。

结构化流如何执行单独的流式查询（并行或顺序）？

1 个答案: