我正在使用Spark结构化流技术来读取来自Kafka主题的传入消息,并根据传入消息将其写入多个实木复合地板表中 因此,我创建了一个readStream,因为Kafka源很常见,并且为每个镶木表在循环中创建了单独的写流。这可以正常工作,但readstream会创建一个瓶颈,因为它为每个writeStream创建一个readStream,并且无法缓存已读取的数据帧。
val kafkaDf=spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", conf.servers)
.option("subscribe", conf.topics)
// .option("earliestOffset","true")
.option("failOnDataLoss",false)
.load()
foreach table {
//filter the data from source based on table name
//write to parquet
parquetDf.writeStream.format("parquet")
.option("path", outputFolder + File.separator+ tableName)
.option("checkpointLocation", "checkpoint_"+tableName)
.outputMode("append")
.trigger(Trigger.Once())
.start()
}
现在,每个写入流都在创建一个新的使用者组,并从Kafka读取全部数据,然后进行过滤并写入Parquet。这造成了巨大的开销。为了避免这种开销,我可以将Kafka主题分区为具有与表数一样多的分区,然后readstream应该仅从给定的分区读取。但是我看不到在Kafka读取流中指定分区详细信息的方法。
答案 0 :(得分:1)
如果数据量不是很高,则编写您自己的接收器,收集每个微批处理的数据,那么您应该能够缓存该数据帧并写入不同的位置,尽管需要进行一些调整,但仍然可以使用