我使用Spark 2.2.0-rc1。
我有一张Kafka topic我正在查询带有1 minute水印的正在运行的水印聚合，并console向append发送import org.apache.spark.sql.types._
val schema = StructType(StructField("time", TimestampType) :: Nil)
val q = spark.
readStream.
format("kafka").
option("kafka.bootstrap.servers", "localhost:9092").
option("startingOffsets", "earliest").
option("subscribe", "topic").
load.
select(from_json(col("value").cast("string"), schema).as("value"))
select("value.*").
withWatermark("time", "1 minute").
groupBy("time").
count.
writeStream.
outputMode("append").
format("console").
start
输出模式。
topic我正在推动Kafka {"time":"2017-06-07 10:01:00.000"}
{"time":"2017-06-07 10:02:00.000"}
{"time":"2017-06-07 10:03:00.000"}
{"time":"2017-06-07 10:04:00.000"}
{"time":"2017-06-07 10:05:00.000"}
中的数据：
scala> -------------------------------------------
Batch: 0
-------------------------------------------
+----+-----+
|time|count|
+----+-----+
+----+-----+
-------------------------------------------
Batch: 1
-------------------------------------------
+----+-----+
|time|count|
+----+-----+
+----+-----+
-------------------------------------------
Batch: 2
-------------------------------------------
+----+-----+
|time|count|
+----+-----+
+----+-----+
-------------------------------------------
Batch: 3
-------------------------------------------
+----+-----+
|time|count|
+----+-----+
+----+-----+
-------------------------------------------
Batch: 4
-------------------------------------------
+----+-----+
|time|count|
+----+-----+
+----+-----+
我得到以下输出：
still need merge这是预期的行为吗？
答案 0 :(得分：8)
向Kafka推送更多数据应该会触发Spark输出内容。目前的行为完全是因为内部实施。
当您推送一些数据时，StreamingQuery将生成一个要运行的批处理。当该批次完成时，它将记住该批次中的最大事件时间。然后在下一批，
因为您使用append模式，StreamingQuery将使用最大事件时间和水印来从StateStore中逐出旧值并输出它。因此，您需要确保至少生成两个批次才能看到输出。
答案 1 :(得分：4)
这是我最好的猜测：
追加模式仅在水印通过后输出数据（例如，在这种情况下1分钟后）。您没有设置触发器（例如.trigger(Trigger.ProcessingTime("10 seconds")），因此默认情况下它会尽快输出批次。因此，对于第一分钟，所有批次都应为空，一分钟后的第一批应包含一些内容。
另一种可能性是您使用的是groupBy("time")而不是groupBy(window("time", "[window duration]"))。我相信水印意味着与时间窗口或mapGroupsWithState一起使用，所以在这种情况下，我不是交互的工作方式。