我们正在尝试将动态过滤器用于结构化流应用程序。
假设我们遵循Spark结构化流应用程序的伪实现:
spark.readStream()
.format("kafka")
.option(...)
...
.load()
.filter(getFilter()) <-- dynamic staff - def filter(conditionExpr: String):
.writeStream()
.format("kafka")
.option(.....)
.start();
和getFilter返回字符串
String getFilter() {
// dynamic staff to create expression
return expression; // eg. "column = true";
}
当前版本的Spark有可能具有动态过滤条件吗?我的意思是getFilter()
方法应该动态返回一个过滤条件(假设它每10分钟刷新一次)。我们试图研究广播变量,但不确定结构化流媒体是否支持这样的事情。
看来,一旦提交了作业的配置,就无法更新。作为部署,我们使用yarn
。
我们非常感谢您的每一个建议/选项。
修改
假设getFilter()
返回:
(columnA = 1 AND columnB = true) OR customHiveUDF(columnC, 'input') != 'required' OR columnD > 8
10分钟后,我们可以进行小的改动(在第一次OR之前没有第一次表达),并且我们可能有一个新的表达式(columnA = 2
),例如:
customHiveUDF(columnC, 'input') != 'required' OR columnD > 10 OR columnA = 2
目标是为一个spark应用程序提供多个过滤器,而不是提交多个作业。
答案 0 :(得分:1)
这里的广播变量应该没问题。您可以编写类似的过滤器,如:
query.filter(x => x > bv.value).writeStream(...)
其中bv是Broadcast
变量。您可以按照此处所述进行更新:How can I update a broadcast variable in spark streaming?
其他解决方案是提供即RCP或RESTful端点,并每10分钟询问一次此端点。例如(Java,因为这里更简单):
class EndpointProxy {
Configuration lastValue;
long lastUpdated
public static Configuration getConfiguration (){
if (lastUpdated + refreshRate > System.currentTimeMillis()){
lastUpdated = System.currentTimeMillis();
lastValue = askMyAPI();
}
return lastValue;
}
}
query.filter (x => x > EndpointProxy.getConfiguration().getX()).writeStream()
编辑:针对用户问题的hacky解决方法:
您可以创建1行视图: // confsDF应该在一些驱动程序端单例中 var confsDF = Seq(某些内容).toDF(&#34; someColumn&#34;)
and then use:
query.crossJoin(confsDF.as("conf")) // cross join as we have only 1 value
.filter("hiveUDF(conf.someColumn)")
.writeStream()...
new Thread() {
confsDF = Seq(some new data).toDF("someColumn)
}.start();
这个hack依赖于Spark默认执行模型 - 微博。在每个触发器中,正在重建查询,因此应该考虑新数据。
你也可以在线程中执行:
Seq(some new data).toDF("someColumn).createOrReplaceTempView("conf")
然后在查询中:
.crossJoin(spark.table("conf"))
两者都应该有用。请记住,它不能使用连续处理模式
答案 1 :(得分:0)
这是简单的例子,其中我是动态过滤来自套接字的记录。而不是Date,您可以使用任何可以动态更新过滤器的rest API或轻量级zookeeper实例。
注意: - 如果您计划使用任何其他API或zookeeper或任何其他选项,请使用mapPartition而不是filter,因为在这种情况下,您可以为分区调用一次API / Connection。 / p>
val lines = spark.readStream
.format("socket")
.option("host", "localhost")
.option("port", 9999)
.load()
// Split the lines into words
val words = lines.as[String].filter(_ == new java.util.Date().getMinutes.toString)
// Generate running word count
val wordCounts = words.groupBy("value").count()
val query = wordCounts.writeStream
.outputMode("complete")
.format("console")
.start()
query.awaitTermination()