Question

我在一个经典的用例上使用Spark结构化流：我想从kafka主题中读取内容并将流以拼花格式写入HDFS。

这是我的代码：

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import org.apache.spark.sql.streaming.Trigger
import org.apache.spark.sql.types.{ArrayType, DataTypes, StructType}

object TestKafkaReader extends  App{
  val spark = SparkSession
    .builder
    .appName("Spark-Kafka-Integration")
    .master("local")
    .getOrCreate()
  spark.sparkContext.setLogLevel("ERROR")
  import spark.implicits._

  val kafkaDf = spark
    .readStream
    .format("kafka")
    .option("kafka.bootstrap.servers","KAFKA_BROKER_IP:PORT")
    //.option("subscribe", "test")
    .option("subscribe", "test")
    .option("startingOffsets", "earliest")
    .load()

  val moviesJsonDf = kafkaDf.selectExpr("CAST(value AS STRING)")

  // movie struct
  val struct = new StructType()
    .add("title", DataTypes.StringType)
    .add("year", DataTypes.IntegerType)
    .add("cast", ArrayType(DataTypes.StringType))
    .add("genres", ArrayType(DataTypes.StringType))

  val moviesNestedDf = moviesJsonDf.select(from_json($"value", struct).as("movie"))
  // json flatten
  val movieFlattenedDf = moviesNestedDf.selectExpr("movie.title", "movie.year", "movie.cast","movie.genres")


  // convert to parquet and save to hdfs
  val query = movieFlattenedDf
    .writeStream
    .outputMode("append")
    .format("parquet")
    .queryName("movies")
    .option("checkpointLocation", "src/main/resources/chkpoint_dir")
    .start("src/main/resources/output")
    .awaitTermination()
  }

上下文：

我直接从intellij运行此程序（带有本地火花已安装）
我设法毫无问题地从kafka读取并写入控制台（使用控制台模式）
目前我要写入文件在本地计算机上（但我确实尝试了HDFS群集，问题是一样）

我的问题：

在工作期间，它没有在文件夹中写入任何内容，我必须手动停止工作才能最终看到文件。

我发现也许与.awaitTermination()有关有关信息，我尝试删除此选项，但如果没有此操作，我会收到错误消息，并且作业根本无法运行。

也许我没有设置正确的选项，但是在阅读了很多文档并在Google上搜索后，我什么都没找到。

您能帮我吗？

谢谢

编辑：

我正在使用spark 2.4.0
我尝试了64 / 128mb格式=>在停止工作之前，什么也不会更改任何文件

Answer 1

是的，问题解决

我的问题是，我的数据太少，spark正在等待更多数据来写入镶木地板文件。

要进行这项工作，我使用@AlexandrosBiratsis的评论（更改块大小）

再次全部归功于@AlexandrosBiratsis 非常感谢你

在我停止作业之前，Spark Structured Streaming writestream不会写入文件

1 个答案: