我正在接收来自 Kafka 的 DStream,我想按键将所有消息分组到某个滑动窗口中。
关键是此窗口需要基于每条消息中提供的时间戳(单独的字段(:
Message structure
--------------------------
key1, ..., ..., 1557678233
key1, ..., ..., 1557678234
key2, ..., ..., 1557678235
因此,我想考虑每个键timestamp of the first message
- timestamp of the last message
<= 5 分钟的消息
正如我从这个问题中看到的,这是不可行的,因为 Spark 只计算事件的系统时间。那边的人建议使用updateStateByKey
,这对我来说不是很清楚......
也许我们可以使用另一种方法实现这一目标?
如何通过持续时间阈值进一步求和和过滤combineByKey
函数的时间戳在combiners
中包括时间戳的差异?
添加您的想法,或者如果您有机会面对同样的问题,请分享您的解决方案......
谢谢!
可能吗?毫无疑问。Apache Beam,其中提供了Apache Spark后端,可以轻松处理此类操作。
但是,这绝对不是您想要自己实现的东西,除非您拥有大量的开发资源和大量专业知识。如果你有,你可能一开始就不会问这个问题。
处理延迟事件、无序事件以及从节点故障中恢复充其量可能很棘手,因为边缘情况更多。
此外,在您实际实现它之前,它将过时 - DStream
已经被视为遗留 API,并且可能迟早达到生命周期结束。同时,结构化流式处理已经可以处理开箱即用的事件时间窗口。
使用以下示例数据进行测试,我假设时间戳采用纪元格式 -
[key1, ..., ..., 1557678233]
[key1, ..., ..., 1557678234]
[key2, ..., ..., 1557678235]
[key2, ..., ..., 1557678240]
[key2, ..., ..., 1557678271]
[key3, ..., ..., 1557678635]
[key3, ..., ..., 1557678636]
[key3, ..., ..., 1557678637]
[key3, ..., ..., 1557678638]
[key3, ..., ..., 1557678999]
//-- 创建 udf 以在需要处理或拒绝记录时返回
scala> spark.udf.register("recordStatusUDF", (ts:String) => {
| val ts_array = ts.split(",",-1)
| if ((ts_array.max.trim.toLong - ts_array.min.trim.toLong) <= 300) {
| "process"
| }
| else { "reject" }
| })
res83: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,StringType,Some(List(StringType)))
//-- 创建架构
scala> val schema = StructType(Seq(StructField("key", StringType, true),StructField("col2", StringType, true),StructField("col3", StringType, true),StructField("epoch_ts", StringType, true)))
schema: org.apache.spark.sql.types.StructType = StructType(StructField(key,StringType,true), StructField(col2,StringType,true), StructField(col3,StringType,true), StructField(epoch_ts,StringType,true))
创建数据帧
scala> spark.createDataFrame(rdd,schema).createOrReplaceTempView("kafka_messages")
scala> spark.sql(s""" select x.key, recordStatusUDF(x.ts) as action_ind from ( select key, concat_ws(",", collect_list(epoch_ts)) as ts from kafka_messages group by key)x """).createOrReplaceTempView("action")
scala> val result = spark.sql(s""" select km.* from kafka_messages km inner join action ac on km.key = ac.key and ac.action_ind = "process" """)
result: org.apache.spark.sql.DataFrame = [key: string, col2: string ... 2 more fields]
scala> result.show(false)
+----+----+----+-----------+
|key |col2|col3|epoch_ts |
+----+----+----+-----------+
|key1| ...| ...| 1557678233|
|key1| ...| ...| 1557678234|
|key2| ...| ...| 1557678235|
|key2| ...| ...| 1557678240|
|key2| ...| ...| 1557678271|
+----+----+----+-----------+
您可以在每个RDD(Kafka消息(上使用上述代码。希望这是有帮助的。