Apache spark 使用spark在表中增量存储spark流窗口的最有效方法

我想使用spark streaming将事件窗口插入到daily表中，同时使该表始终保持到最后一秒的最新状态

基本上，我有spark 1.4.1：

val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)
lines.window(Seconds(1), Seconds(1))
.foreachRDD { (rdd, time) =>
  if (rdd.count > 0) {
    hiveContext.read.json(rdd).toDF().write.mode(SaveMode.Append).save(s"tachyon://192.168.1.12:19998/persistedI")
    hiveContext.sql(s"CREATE TABLE IF NOT EXISTS persistedI USING org.apache.spark.sql.parquet OPTIONS ( path 'tachyon://192.168.1.12:19998/persistedI')")
    hiveContext.sql(s"REFRESH TABLE persistedI")
  }
}

然而，随着时间的推移，这会变得越来越慢，正如我在日志中看到的，在每次插入时，前面的所有部分都会打开（我想是为了阅读拼花地板的页脚）

我尝试了以下方法，但这会使刷新速度变慢

parquet.enable.summary-metadata false spark.sql.hive.convertMetastoreParquet.mergeSchema false

对于这种情况，最好的设置是什么

---

（只要我能满足要求，我对所使用的东西非常灵活）

找到了解决方案吗？这个问题已经有一段时间了，目前我们使用存储为ORC的分区Hive表，它工作正常（您最终仍然需要压缩文件）找到了解决方案吗？这个问题已经有一段时间了，目前，我们使用存储为ORC的分区配置单元表，其工作状态良好（最终仍需要压缩文件）