如何将Spark Streaming DStream作为SQL表

Question

此处的目标如下：

• 每隔N秒使用Spark Streaming从Socket读取数据

• 将接收到的数据注册为SQL表

• 将有更多的数据作为参考数据从HDFS等读取，它们也将被注册为SQL表

• 其思想是对组合流&参考数据

请参阅下面的代码片段。我看到数据是从forEachRDD循环的"内部"写入磁盘的，但当在forEachRD循环的"外部"写入时，相同的注册SQL表的数据是空的。

请给出您的意见/建议以解决此问题。此外，欢迎任何其他机制来实现上述"目标"。

case class Record(id:Int, status:String, source:String)
object SqlApp2 {
  def main(args: Array[String]) {
    val sparkConf = new SparkConf().setAppName("SqlApp2").setMaster("local[2]")
    val sc = new SparkContext(sparkConf)
    val sqlContext = new SQLContext(sc)
    // Create the streaming context with a 10 second batch size
    val ssc = new StreamingContext(sc, Seconds(10))
    val lines = ssc.socketTextStream("localhost", 9999, StorageLevel.MEMORY_AND_DISK_SER)
    var alldata:DataFrame=sqlContext.emptyDataFrame
    alldata.registerTempTable("alldata")
    lines.foreachRDD((rdd: RDD[String], time: Time) => {
      import sqlContext.implicits._
      // Convert RDD[String] to DataFrame
      val data = rdd.map(w => {
        val words = w.split(" ")
        Record(words(0).toInt, words(1), words(2))}).toDF()
      // Register as table
      data.registerTempTable("alldata")
      data.save("inside/file"+System.currentTimeMillis(), "json", SaveMode.ErrorIfExists)  // this data is written properly
    })
    val dataOutside = sqlContext.sql("select * from alldata")
    dataOutside.save("outside/file"+System.currentTimeMillis(), "json", SaveMode.ErrorIfExists) // this data is empty, how to make the SQL table registered inside the forEachRDD loop visible for rest of application
    ssc.start()
    ssc.awaitTermination()
  }

谢谢&问候

MK

Answer 1

我的理解是，除非采用结构化流式处理路由，否则只能在'foreachRDD'这样的块中创建表。使用这种方法，您可以使用滑动窗口在表中保留一定数量的数据。我在下面给出了相关代码。

// You could create a window of 1 minute to run your query
val windowedStream = lines.window(Seconds(60))
windowedStream.foreachRDD((rdd: RDD[String], time: Time) => {
  import sqlContext.implicits._
  val data = rdd.map(w => {
    val words = w.split(" ")
    Record(words(0).toInt, words(1), words(2))
  }).toDF()
  data.createOrReplaceTempView("alldata")
  // You can read your other data source and convert it into a DF table
  // and join with the 'alldata' table
  val dataInside = sqlContext.sql("select * from alldata")
  dataInside.show()
})

希望这能有所帮助。

请注意，结构化流处于初始阶段，功能非常有限。