我相信 Spark Streaming 有一个相对常见的用例:
我有一个对象流,我想根据一些参考数据来过滤它们
最初,我认为使用广播变量:
public void startSparkEngine {
Broadcast<ReferenceData> refdataBroadcast
= sparkContext.broadcast(getRefData());
final JavaDStream<MyObject> filteredStream = objectStream.filter(obj -> {
final ReferenceData refData = refdataBroadcast.getValue();
return obj.getField().equals(refData.getField());
}
filteredStream.foreachRDD(rdd -> {
rdd.foreach(obj -> {
// Final processing of filtered objects
});
return null;
});
}
然而,尽管很少见,我的参考数据会定期更改
我的印象是我可以修改并重播我在驱动程序上的变量,它将传播到每个工作人员,但是Broadcast
对象不是Serializable
并且需要final
.
我还有哪些选择?我能想到的三个解决方案是:
将参考数据查找移动到forEachPartition
or forEachRdd
这样它就完全落在工人身上了。然而,参考数据存在于 REST API 中,因此我还需要以某种方式存储计时器/计数器,以停止对流中的每个元素进行远程访问。
每次 refdata 更改时,使用新的广播变量重新启动 Spark 上下文。
将参考数据转换为RDD, then join
以我现在正在流式传输的方式进行流式传输Pair<MyObject, RefData>
,尽管这会将参考数据与每个对象一起发送。
扩展答案@Rohan Aletti。下面是 BroadcastWrapper 的示例代码,它根据某些 ttl 刷新广播变量
public class BroadcastWrapper {
private Broadcast<ReferenceData> broadcastVar;
private Date lastUpdatedAt = Calendar.getInstance().getTime();
private static BroadcastWrapper obj = new BroadcastWrapper();
private BroadcastWrapper(){}
public static BroadcastWrapper getInstance() {
return obj;
}
public JavaSparkContext getSparkContext(SparkContext sc) {
JavaSparkContext jsc = JavaSparkContext.fromSparkContext(sc);
return jsc;
}
public Broadcast<ReferenceData> updateAndGet(SparkContext sparkContext){
Date currentDate = Calendar.getInstance().getTime();
long diff = currentDate.getTime()-lastUpdatedAt.getTime();
if (var == null || diff > 60000) { //Lets say we want to refresh every 1 min = 60000 ms
if (var != null)
var.unpersist();
lastUpdatedAt = new Date(System.currentTimeMillis());
//Your logic to refresh
ReferenceData data = getRefData();
var = getSparkContext(sparkContext).broadcast(data);
}
return var;
}
}
你的代码看起来像:
public void startSparkEngine() {
final JavaDStream<MyObject> filteredStream = objectStream.transform(stream -> {
Broadcast<ReferenceData> refdataBroadcast = BroadcastWrapper.getInstance().updateAndGet(stream.context());
stream.filter(obj -> obj.getField().equals(refdataBroadcast.getValue().getField()));
});
filteredStream.foreachRDD(rdd -> {
rdd.foreach(obj -> {
// Final processing of filtered objects
});
return null;
});
}
这在多集群上也对我有用。
希望这可以帮助
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)