如何解决Apache Spark/Azure Data Lake Storage - 只处理一次文件,将文件标记为已处理
我有一个 Azure Data Lake Storage 容器,它充当 JSON 文件的登陆区域,供 Apache Spark 处理。
那里有数以万计的小(最多几 MB)文件。 Spark 代码会定期读取这些文件并执行一些转换。
我希望文件只被读取一次并且 Spark 脚本是幂等的。 如何确保不会一次又一次地读取文件?我如何以有效的方式做到这一点?
我是这样读取数据的:
spark.read.json("/mnt/input_location/*.json")
我考虑了以下方法:
- 使用已经处理过的文件名创建一个 Delta 表,并在输入 DataFrame 上运行 EXCEPT 转换
- 将处理过的文件移动到不同的位置(或重命名它们)。我宁愿不这样做。如果我需要重新处理数据,我需要再次运行重命名此操作需要很长时间。
希望有更好的方法。请提出建议。
解决方法
您可以使用已启用检查点和 Trigger.Once
的结构化流作业。
该作业的检查点文件将跟踪该作业已使用的 JSON 文件。此外,Trigger.Once
触发器将使此流式作业如同批处理作业一样。
来自 Databrick 的一篇很好的文章解释了“为什么 Streaming 和 RunOnce 比 Batch 更好”。
您的结构化流媒体作业可能如下所示:
val checkpointLocation = "/path/to/checkpoints"
val pathToJsonFiles = "/mnt/input_location/"
val streamDF = spark.readStream.format("json").schema(jsonSchema).load(pathToJsonFiles)
val query = streamDF
.[...] // apply your processing
.writeStream
.format("console") // change sink format accordingly
.option("checkpointLocation",checkpointLocation)
.trigger(Trigger.Once)
.start()
query.awaitTermination()
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。