[结构化流]:结构化流到红移接收器

Question

是否可以将 Kafka Streaming 源支持的数据帧写入 AWS Redshift，我们过去曾使用 spark-redshift 写入 Redshift，但我认为它不适用于DataFrame##writeStream。考虑到 Redshift 的工作方式，使用 JDBC 连接器和 ForeachWriter 编写也可能不是一个好主意。

我从Yelp博客中遇到的一种可能的方法是将文件写入S3，然后使用具有S3对象路径的清单文件调用Redshift COPY，在结构化流的情况下，我如何控制写入S3的文件？ 并且还有一个单独的触发器，用于在将 5 个文件写入 S3 后创建清单文件。

任何其他可能的解决方案也值得赞赏。提前谢谢。

Answer 1

有一种方法可以在结构化流中使用 spark-redshift，但您必须在自己的分支中实现一些额外的类。首先，您需要一个应该实现org.apache.spark.sql.execution.streaming.Sink接口的 RedshiftSink：

private[redshift] class RedshiftSink(
    sqlContext: SQLContext,
    parameters: MergedParameters,
    redshiftWriter: RedshiftWriter) extends Sink {
  private val log = LoggerFactory.getLogger(getClass)
  @volatile private var latestBatchId = -1L
  override def toString(): String = "RedshiftSink"
  override def addBatch(batchId: Long, data: DataFrame): Unit = {
    if (batchId <= latestBatchId) {
      log.info(s"Skipping already committed batch $batchId")
    } else {
      val mode = if (parameters.overwrite) SaveMode.Overwrite else SaveMode.Append
      redshiftWriter.saveToRedshift(sqlContext, data, mode, parameters)
      latestBatchId = batchId
    }
  }
}

然后com.databricks.spark.redshift.DefaultSource应该通过实现org.apache.spark.sql.sources.StreamSinkProvider来扩展：

  /**
   * Creates a Sink instance
   */
  override def createSink(
    sqlContext: SQLContext,
    parameters: Map[String, String],
    partitionColumns: Seq[String],
    outputMode: OutputMode): Sink = {
      new RedshiftSink(sqlContext, Parameters.mergeParameters(parameters), new RedshiftWriter(jdbcWrapper, s3ClientFactory))
  }

现在您应该能够在结构化流中使用它：

dataset.writeStream()
        .trigger(Trigger.ProcessingTime(10, TimeUnit.SECONDS))
        .format("com.databricks.spark.redshift")
        .outputMode(OutputMode.Append())
        .queryName("redshift-stream")
        .start()

更新

要解决向 StreamExecution

报告指标的问题，必须将RedshiftWriter.unloadData()更改为使用 data.queryExecution.toRdd.mapPartitions 而不是data.rdd.mapPartitions，因为data.rdd会创建一个对 StreamExecution 不可见的新计划(使用现有计划收集指标(。它还需要将转换函数更改为：

val conversionFunctions: Array[(InternalRow, Int) => Any] = data.schema.fields.map { field =>
  field.dataType match {
    case DateType =>
      val dateFormat = Conversions.createRedshiftDateFormat()
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else dateFormat.format(
          DateTimeUtils.toJavaDate(row.getInt(ordinal)))
      }
    case TimestampType =>
      val timestampFormat = Conversions.createRedshiftTimestampFormat()
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else timestampFormat.format(
          DateTimeUtils.toJavaTimestamp(row.getLong(ordinal)))
      }
    case StringType =>
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else row.getString(ordinal)
      }
    case dt: DataType =>
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else row.get(ordinal, dt)
      }
  }
}

Answer 2

Spark能够

非常有效地将普通数据帧加载到Redshift，但我还没有在Spark中使用流。

如果可以连续将流输出写入标准 df，则可以在指定的时间间隔将该 df 加载到 Redshift 并将其清空。

另一种选择是将流发送到Kinesis，并使用Kinesis Firehose将其加载到Redshift。不过，向堆栈中添加另一个流层似乎有些过分。