从Zeppelin运行时,我正努力让console
接收器与PySpark Structured Streaming一起使用。基本上,我没有看到任何结果打印到屏幕或我发现的任何日志文件。
我的问题:有没有人有一个使用PySpark Structured Streaming和一个产生Apache Zeppelin可见输出的接收器的工作示例?理想情况下,它也会使用套接字源,因为它很容易测试。
我正在使用:
我的代码基于structured_network_wordcount.py example。它从PySpark shell(./bin/pyspark --master local[2]
)运行时有效;我看到每批表格。
%pyspark
# structured streaming
from pyspark.sql.functions import *
lines = spark\
.readStream\
.format('socket')\
.option('host', 'localhost')\
.option('port', 9999)\
.option('includeTimestamp', 'true')\
.load()
# Split the lines into words, retaining timestamps
# split() splits each line into an array, and explode() turns the array into multiple rows
words = lines.select(
explode(split(lines.value, ' ')).alias('word'),
lines.timestamp
)
# Group the data by window and word and compute the count of each group
windowedCounts = words.groupBy(
window(words.timestamp, '10 seconds', '1 seconds'),
words.word
).count().orderBy('window')
# Start running the query that prints the windowed word counts to the console
query = windowedCounts\
.writeStream\
.outputMode('complete')\
.format('console')\
.option('truncate', 'false')\
.start()
print("Starting...")
query.awaitTermination(20)
我希望看到每个批次的结果打印输出,但我只看到Starting...
,然后是False
,query.awaitTermination(20)
的返回值。
在一个单独的终端中,我在上面运行时将一些数据输入nc -lk 9999
netcat会话。
答案 0 :(得分:9)
控制台接收器不适合基于交互式笔记本的工作流程。即使在可以捕获输出的Scala中,它也需要awaitTermination
调用(或等效)同一段,有效地阻止了音符。
%spark
spark
.readStream
.format("socket")
.option("host", "localhost")
.option("port", "9999")
.option("includeTimestamp", "true")
.load()
.writeStream
.outputMode("append")
.format("console")
.option("truncate", "false")
.start()
.awaitTermination() // Block execution, to force Zeppelin to capture the output
链式awaitTermination
可以替换为同一段中的独立调用 也可以使用
%spark
val query = df
.writeStream
...
.start()
query.awaitTermination()
没有它,Zeppelin没有理由等待任何输出。 PySpark只是增加了另一个问题 - 间接执行。因此,即使阻止查询也无法帮助您。
此外,来自流的连续输出在浏览笔记时可能会导致渲染问题和内存问题(可能可以通过InterpreterContext
或REST API使用Zeppelin显示系统,以实现更明智的行为,其中输出被覆盖或定期清除。)
使用Zeppelin进行测试的更好选择是memory sink。这样您就可以不受阻塞地启动查询:
%pyspark
query = (windowedCounts
.writeStream
.outputMode("complete")
.format("memory")
.queryName("some_name")
.start())
并在另一段中按需查询结果:
%pyspark
spark.table("some_name").show()
它可以与reactive streams或类似解决方案结合使用,以提供基于时间间隔的更新。
也可以使用StreamingQueryListener
与Py4j回调将rx
与onQueryProgress
事件联系起来,尽管PySpark不支持查询侦听器,并且需要一些代码来粘合事情在一起。 Scala界面:
package com.example.spark.observer
import org.apache.spark.sql.streaming.StreamingQueryListener
import org.apache.spark.sql.streaming.StreamingQueryListener._
trait PythonObserver {
def on_next(o: Object): Unit
}
class PythonStreamingQueryListener(observer: PythonObserver)
extends StreamingQueryListener {
override def onQueryProgress(event: QueryProgressEvent): Unit = {
observer.on_next(event)
}
override def onQueryStarted(event: QueryStartedEvent): Unit = {}
override def onQueryTerminated(event: QueryTerminatedEvent): Unit = {}
}
构建一个jar,调整构建定义以反映所需的Scala和Spark版本:
scalaVersion := "2.11.8"
val sparkVersion = "2.2.0"
libraryDependencies ++= Seq(
"org.apache.spark" %% "spark-sql" % sparkVersion,
"org.apache.spark" %% "spark-streaming" % sparkVersion
)
将它放在Spark类路径上,修补程序StreamingQueryManager
:
%pyspark
from pyspark.sql.streaming import StreamingQueryManager
from pyspark import SparkContext
def addListener(self, listener):
jvm = SparkContext._active_spark_context._jvm
jlistener = jvm.com.example.spark.observer.PythonStreamingQueryListener(
listener
)
self._jsqm.addListener(jlistener)
return jlistener
StreamingQueryManager.addListener = addListener
启动回调服务器:
%pyspark
sc._gateway.start_callback_server()
并添加监听器:
%pyspark
from rx.subjects import Subject
class StreamingObserver(Subject):
class Java:
implements = ["com.example.spark.observer.PythonObserver"]
observer = StreamingObserver()
spark.streams.addListener(observer)
最后,您可以使用subscribe
并阻止执行:
%pyspark
(observer
.map(lambda p: p.progress().name())
# .filter() can be used to print only for a specific query
.subscribe(lambda n: spark.table(n).show() if n else None))
input() # Block execution to capture the output
开始流式传输查询后,应执行最后一步。
也可以跳过rx
并使用这样的最小观察者:
class StreamingObserver(object):
class Java:
implements = ["com.example.spark.observer.PythonObserver"]
def on_next(self, value):
try:
name = value.progress().name()
if name:
spark.table(name).show()
except: pass
它提供的控制比Subject
少一点(一点需要注意,这会干扰其他代码打印到标准输出,只能由removing listener停止。使用Subject
你可以很容易dispose
subscribed
观察者,一旦你完成了),否则应该或多或少地相同。
请注意,任何阻塞操作都足以捕获侦听器的输出,并且不必在同一单元中执行。例如
%pyspark
observer = StreamingObserver()
spark.streams.addListener(observer)
和
%pyspark
import time
time.sleep(42)
将以类似的方式工作,打印表定义的时间间隔。
为了完整性,您可以实施StreamingQueryManager.removeListener
。
答案 1 :(得分:0)
zeppelin-0.7.3-bin-all
使用Spark 2.1.0(因此没有rate
格式来测试结构化流式传输)。
确保start
socket
来自nc -lk 9999
来源val lines = spark
.readStream
.format("socket")
.option("host", "localhost")
.option("port", 9999)
.load
val q = lines.writeStream.format("console").start
的流查询已经启动(因为查询只是停止了)。
还要确保查询确实已启动并正在运行。
console
确实,您无法在Zeppelin笔记本中看到输出,因为:
流式查询从他们自己的线程开始(似乎在Zeppelin的范围之外)
Dataset.show
接收writes to standard output(在该单独的线程上使用logs/zeppelin-interpreter-spark-[hostname].log
运算符)。
所有这些使得"拦截" Zeppelin中没有输出。
所以我们来回答真正的问题:
在Zeppelin中写入的标准输出在哪里?
嗯,由于对Zeppelin内部的理解非常有限,我认为它可能是console
,但遗憾的是找不到console
接收器的输出。您可以在这里找到使用log4j而不是console
接收器的Spark(特别是结构化流)的日志。
看起来您唯一的长期解决方案就是编写自己的{{1}} - 就像自定义接收器一样,并使用log4j记录器。老实说,这并不像听起来那么难。关注the sources of console sink。