结构化流 - 消费每条消息

Posted 2021-03-27

什么是“推荐”的方式来处理每个消息，因为它来自结构化流媒体管道（我在Spark 2.1.1上，源是Kafka 0.10.2.1）？

到目前为止，我正在查看dataframe.mapPartitions（因为我需要连接到HBase，其客户端连接类不可serizalable，因此mapPartitions）。

想法？

答案

你应该能够使用foreach输出接收器：https://spark.apache.org/docs/latest/structured-streaming-programming-guide.html#output-sinks和https://spark.apache.org/docs/latest/structured-streaming-programming-guide.html#using-foreach

即使客户端不可序列化，您也不必在ForeachWriter构造函数中打开它。只需将其保留为None / null，并在open方法中初始化，该方法在序列化后调用，但每个任务只调用一次。

在伪代码中：

class HBaseForeachWriter extends ForeachWriter[MyType] {
  var client: Option[HBaseClient] = None
  def open(partitionId: Long, version: Long): Boolean = {
    client = Some(... open a client ...)
  }
  def process(record: MyType) = {
    client match {
      case None => throw Exception("shouldn't happen")
      case Some(cl) => {
        ... use cl to write record ...
      }
    }
  }
  def close(errorOrNull: Throwable): Unit = {
    client.foreach(cl => cl.close())
  }
}