Scala 在Spark流作业中调用实用程序(外部)
我有一个来自卡夫卡的流媒体作业(使用Scala 在Spark流作业中调用实用程序(外部),scala,apache-spark,spark-streaming,rdd,dstream,Scala,Apache Spark,Spark Streaming,Rdd,Dstream,我有一个来自卡夫卡的流媒体作业(使用createDstream)。 它的“id”流 我有一个实用程序或api,它接受一个id数组,执行一些外部调用,并接收回一些信息,比如每个id的“t” [id:t1,id2:t2,id3:t3...] 我想在调用实用程序以保留数据流时保留DStream。我不能在Dstream rdd上使用映射转换,因为它将对每个id进行调用,而且该实用程序正在接受一组id Dstream.map(x=> myutility(x)) -- ruled out 如果我使
createDstream
)。
它的“id”流
我有一个实用程序或api,它接受一个id数组,执行一些外部调用,并接收回一些信息,比如每个id的“t”
[id:t1,id2:t2,id3:t3...]
我想在调用实用程序以保留数据流时保留DStream
。我不能在Dstream rdd上使用映射转换,因为它将对每个id进行调用,而且该实用程序正在接受一组id
Dstream.map(x=> myutility(x)) -- ruled out
如果我使用
Dstream.foreachrdd(rdd=> myutility(rdd.collect.toarray))
我丢失了
DStream
。我需要保留DStream
用于下游处理 实现外部批量调用的方法是在分区级别直接转换数据流中的RDD
模式如下所示:
val transformedStream = dstream.transform{rdd =>
rdd.mapPartitions{iterator =>
val externalService = Service.instance() // point to reserve local resources or make server connections.
val data = iterator.toList // to act in bulk. Need to tune partitioning to avoid huge data loads at this level
val resultCollection = externalService(data)
resultCollection.iterator
}
}
这种方法使用集群中可用的资源并行处理底层RDD的每个分区。请注意,需要为每个分区(而不是每个元素)实例化与外部系统的连接。重新设计
myutility
,以便它能够正确地并行工作?Spark中只有一个本地集合是不可能的。@user7337271并行是通过低于Dstream.foreachrdd(rdd=>myutility(rdd.collect.toarray))实现的,但是丢失Dstream这里没有并行性。整个主体foreachrdd(rdd=>myutility(rdd.collect.toarray))
在驱动程序上本地执行。您可以转换(rdd=>sc.parallelize(myutility(rdd.collect.toarray))
但它不能解决这个问题。@user7337271您是对的,我做了一个错误的假设
val transformedStream = dstream.transform{rdd =>
rdd.mapPartitions{iterator =>
val externalService = Service.instance() // point to reserve local resources or make server connections.
val data = iterator.toList // to act in bulk. Need to tune partitioning to avoid huge data loads at this level
val resultCollection = externalService(data)
resultCollection.iterator
}
}