Structured Streaming基本使用

Structured Streaming定义

结构化流处理是 Spark 中用于处理实时流数据的 API。它提供了类似于对静态数据集进行操作的高级抽象，允许你以类似的方式处理实时数据流。在 PySpark 中，你可以使用结构化流处理来处理实时数据，并且可以使用类似于对静态 DataFrame 进行操作的方式来处理实时流数据

数据读取

from pyspark.sql import SparkSession
# 创建ss对象
ss = SparkSession.builder.getOrCreate()
# 读取文件中的流数据
# Option 'basePath' must be a directory
print("====================text==================")
df_text = ss.readStream.text(path='/data_text')
print("====================json==================")
# 和离线计算读取不一样的地方: 需要添加schema信息, 不会自动解析
df_json = ss.readStream.load(path='/data_json', format='json', schema='id int,name string,age int,gender string')
print("====================csv==================")
# 设置读取流数据参数, 每次流式计算, 每个文件是一个批次
# 目前目录下有四个csv文件, 分为四个batch执行
options = {'maxFilesPerTrigger': 1}
df_csv = ss.readStream.format('csv').option('sep', ';').schema('id int,name string,age int,gender string').load(
    path='/data_csv', **options)
# 结果输出在控制台
df_csv.writeStream.start(format='console', outputMode='append').awaitTermination()

数据输出

三种模式使用场景

append 适合没有聚合操作的计算结果输出，将数据输出到文件时需要用append
complete 适合进行聚合操作，并且显示所有的数据计算结果
update 适合进行聚合操作，只展示新增数据的结果

df_res.writeStream.start(format='console', outputMode='complete').awaitTermination()
df_res.writeStream.start(format='console', outputMode='update').awaitTermination()

指定输出位置

File Sink 把结果输出到文件中，仅支持追加 append模式
Kafka Sink 把结果输出到kafka的topic中，append complete update都支持
Console Sink 直接在终端中显示，append complete update都支持
foreach: 将流数据中的每行数据经过自定函数进行处理，自定义函数需要接受一个df中的row对象,append complete update都支持
foreachbatch: 将流数据中的每一小批数据经过自定义函数进行处理，排序操作，将聚合操作的结果保存到文件中，保存到mysql,自定义函数需要接受两个参数,df对象和batch_id，append complete update都支持

# 函数
def foreach_batch_function(df,df_id):
	# Transform and write batchDF 
	pass
streamingDF.writeStream.foreachBatch(foreach_batch_function).start()  

触发器

触发器，决定多久执行一次，在流式处理中，等一会（等多久）就是由触发器决定

# 指定触发器trigger
# processingTime 指定固定时间间隔  5 seconds 5秒  5秒后会请求数据,计算超过5秒 计算结束后请求 没有数据阻塞等待新数据
# df.writeStream.trigger(processingTime='5 seconds').start(format='console', outputMode='append').awaitTermination()
# 指定触发器trigger
# once=True请求一次,请求后就结束程序
# df.writeStream.trigger(once=True).start(format='console', outputMode='append').awaitTermination()
# 指定触发器trigger
# continuous 指定固定时间间隔  5 seconds 5秒  达到5秒就会请求数据,没有数据则返回空
df.writeStream.trigger(continuous='5 seconds').start(format='console', outputMode='append').awaitTermination()

CheckPoint检查点

当获取到数据进行计算时，有可能数据在计算时会计算失败。此时spark会重新进行计算，就需要知道要计算哪个数据，就要借助checkpoint检查点机制，将当前计算的信息保存起来，方便重新进行计算。
保证spark处理数据的容错性。

# checkpoint 流式计算的容错机制
from pyspark.sql import SparkSession, functions as F
ss = SparkSession.builder.getOrCreate()
# 1-流式读取数据
df = ss.readStream.csv(path='/data_csv', schema='id int,name string,age int,gender string')
# 2- 数据计算
df_group = df.groupby('gender').agg(F.avg('age').alias('avg_age'))
"""
在计算时会有多个计算步骤,如果某个计算步骤在计算时出错,整个计算任务就失败了,为了避免计算失败,可以指定checkpoint,会将计算过程中的所有信息记录下来,当计算失败时,可以根据记录的信息重新计算
"""
option = {
    'checkpointLocation': 'hdfs://node1:8020/pydata_checkpoint'
}
def to_json(df, batch_id):
    df.write.json(path='/checkpoint_json', mode='append')
# 3-输出结果
df_group.writeStream.foreachBatch(to_json).start(outputMode='complete', **option).awaitTermination()