SQL over Spark Streaming

Question

这是在Spark Streaming上运行简单SQL查询的代码。

import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.StreamingContext._
import org.apache.spark.sql.SQLContext
import org.apache.spark.streaming.Duration
object StreamingSQL {
  case class Persons(name: String, age: Int)
  def main(args: Array[String]) {
    val sparkConf = new SparkConf().setMaster("local").setAppName("HdfsWordCount")
    val sc = new SparkContext(sparkConf)
    // Create the context
    val ssc = new StreamingContext(sc, Seconds(2))
    val lines = ssc.textFileStream("C:/Users/pravesh.jain/Desktop/people/")
    lines.foreachRDD(rdd=>rdd.foreach(println))
    val sqc = new SQLContext(sc);
    import sqc.createSchemaRDD
    // Create the FileInputDStream on the directory and use the
    // stream to count words in new files created
    lines.foreachRDD(rdd=>{
      rdd.map(_.split(",")).map(p => Persons(p(0), p(1).trim.toInt)).registerAsTable("data")
      val teenagers = sqc.sql("SELECT name FROM data WHERE age >= 13 AND age <= 19")
      teenagers.foreach(println)
    })
    ssc.start()
    ssc.awaitTermination()
  }
}

正如您所看到的，要在流上运行SQL，必须在foreachRDD方法内部进行查询。我想对从两个不同流接收的数据运行SQL联接。有什么办法可以做到吗？

Answer 1

好吧，我想总结一下我们在Spiro的回答中讨论后得出的解决方法。他建议先创建一个空表，然后在其中插入RDD，这一建议很成功。唯一的问题是Spark还不允许插入表。以下是可以做的：

首先，创建一个RDD，该RDD具有与您期望的流模式相同的模式：

import sqlContext.createSchemaRDD
val d1=sc.parallelize(Array(("a",10),("b",3))).map(e=>Rec(e._1,e._2))

然后将其保存为Parquet文件

d1.saveAsParquetFile("/home/p1.parquet")

现在，加载镶木地板文件，并使用registerAsTable（）方法将其注册为表。

val parquetFile = sqlContext.parquetFile("/home/p1.parquet")
parquetFile.registerAsTable("data")

现在，当您收到流时，只需在流上应用foreachRDD（），并使用insertInto（）法在上面创建的表中继续插入各个RDD

dStream.foreachRDD(rdd=>{
rdd.insertInto("data")
})

此insertInto（）工作正常，并允许将数据收集到表中。现在，您可以对任意数量的流执行同样的操作，然后运行查询。

Answer 2

按照编写代码的方式，每次运行SQL查询时都会生成一系列小SchemaRDD。诀窍是将它们中的每一个保存到累加RDD或累加表中。

第一个，使用insertInto:的表格方法

对于每个流，首先创建一个emty RDD，将其注册为表，获得一个空表。举个例子，假设你称之为"所有青少年"。

然后，对于每个查询，使用SchemaRDD的insertInto方法将结果添加到该表中：

teenagers.insertInto("allTeenagers")

如果您对两个流都这样做，创建两个单独的累积表，那么您可以使用一个普通的旧SQL查询来连接它们。

（注意：我实际上还没能让他工作，一点点搜索让我怀疑其他人是否已经工作了，但我很确定我已经理解insertInto的设计意图，所以我认为这个解决方案值得记录。）

第二个，unionAll方法（也有union方法，但这使正确获取类型变得更加困难）：

这涉及到创建一个初始RDD——再次称之为allTeenagers。

// create initial SchemaRDD even if it's empty, so the types work out right
var allTeenagers = sqc.sql("SELECT ...")

然后，每次：

val teenagers = sqc.sql("SELECT ...")
allTeenagers = allTeenagers.unionAll(teenagers)

也许不用说，您需要列进行匹配。