如何在单个 Spark 作业中调用多个 writeStream 操作？

Posted 2023-04-17

【中文标题】如何在单个 Spark 作业中调用多个 writeStream 操作？

【英文标题】：How do you call multiple writeStream operations within a single Spark Job?

【发布时间】：2020-07-22 20:21:08

【问题描述】：

我正在尝试编写一个 Spark Structured Streaming 作业，该作业从 Kafka 主题读取并通过 writeStream 操作写入单独的路径（在执行一些转换之后）。但是，当我运行以下代码时，只有第一个 writeStream 被执行，第二个被忽略。

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2") \
  .option("subscribe", "topic1") \
  .load()

write_one = df.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_one(x,y)) \
  .start() \
  .awaitTermination()

// transform df to df2

write_two = df2.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_two(x,y)) \
  .start() \
  .awaitTermination()

我最初认为我的问题与这个post 有关，但是在将我的代码更改为以下内容后：

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2") \
  .option("subscribe", "topic1") \
  .load()

write_one = df.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_one(x,y)) \
  .start() 

// transform df to df2 
 
write_two = df2.writeStream \
  .foreachBatch(lambda x, y: transform_and_write_to_zone_two(x,y)) \
  .start()

write_one.awaitTermination()
write_two.awaitTermination()

我收到以下错误：

org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;

我不确定为什么start() 和awaitTermination() 之间的附加代码会导致上述错误（但我认为这可能是一个单独的问题，在answer 中引用到上面的同一篇文章）。在同一个作业中调用多个 writeStream 操作的正确方法是什么？最好在foreachBatch 调用的函数中同时写入这两个函数，还是有更好的方法来实现这一点？

【参考方案1】：

Spark 文档说，如果您需要写入多个位置，则需要使用 foreachBatch 方法。

您的代码应该类似于：

streamingDF.writeStream.foreachBatch  (batchDF: DataFrame, batchId: Long) =>
  batchDF.persist()
  batchDF.write.format(...).save(...)  // location 1
  batchDF.write.format(...).save(...)  // location 2
  batchDF.unpersist()

注意：需要persist 以防止重新计算。

您可以查看更多：http://spark.apache.org/docs/latest/structured-streaming-programming-guide.html#using-foreach-and-foreachbatch

【讨论】：

这是否意味着我将有一个用于两个写入的检查点位置？如果其中一个写入失败，而另一个写入失败怎么办。最好为每个写入设置单独的检查点，以便在发生故障时每个都可以独立恢复？

【参考方案2】：

您只是不为每个流查询调用 awaiTermination()，而只是通过 spark 会话调用一个，例如：

spark.streams.awaitAnyTermination()