对于Spark结构化的流作业，一个输入来自kafka主题，而第二个输入是一个文件（将通过python API每5分钟刷新一次）。我需要加入这2个输入并写一个kafka主题。
我面临的问题是，当刷新第二个输入文件并且Spark Streaming作业正在读取文件的同时，我得到以下错误：
文件文件：/home/hduser/code/new/collect_ip1/part-00163-55e17a3c-f524-4dac-89a4-b9e12f1a79df-c000.csv不存在 基础文件可能已更新。您可以通过重新创建所涉及的数据集/ DataFrame来显式使Spark中的缓存无效。
任何帮助将不胜感激。
答案 0 :(得分：0)
使用HBase作为静态存储。当然，这是更多的工作，但允许并发更新。
在我工作的地方，所有Spark Streaming都使用HBase进行数据查找。快得多。如果您有一个拥有1亿个客户的微型批次10k记录怎么办？我知道最初需要做很多工作。
请参见https://medium.com/@anchitsharma1994/hbase-lookup-in-spark-streaming-acafe28cb0dc
如果您的静态引用表较小，则可以使用静态联接，但也可以进行更新，从而导致问题。