Apache Spark 结构化流的概述

Apache Spark 结构化流可以实现可缩放、高吞吐量、容错的应用程序来处理数据流。 结构化流构建在 Spark SQL 引擎的基础之上，从 Spark SQL 数据帧和数据集方面改进了构造，因此，我们可以像编写批处理查询一样编写流查询。

结构化流应用程序在 HDInsight Spark 群集上运行，可从 Apache Kafka、TCP 套接字（调试时）、Azure 存储或 Azure Data Lake Storage 连接到流数据。 后两个选项依赖于外部存储服务，可用于观察添加到存储中的新文件，以及处理其内容，如同这些文件经过流式处理一样。

结构化流创建长时间运行的查询，在此期间，可对输入数据应用操作，例如选择、投影、聚合、开窗，以及将流数据帧与引用数据帧相联接。 接下来，可以使用自定义代码（例如 SQL 数据库或 Power BI）将结果输出到文件存储（Azure 存储 Blob 或 Data Lake Storage）或任何数据存储。 结构化流可向控制台提供输出以用于本地调试，还可以向内存中表提供输出，以便可以在 HDInsight 中查看用于调试的生成数据。

流即表

Spark 结构化流以表的形式表示数据流，该表的深度不受限制，即，随着新数据的抵达，该表会不断增大。 此输入表由一个长时间运行的查询持续处理，结果将发送到输出表：

在结构化流中，数据抵达系统后立即被引入输入表中。 可以编写针对此输入表执行操作的查询（使用数据帧和数据集 API）。 查询输出将生成另一个表（结果表）。 结果表包含查询的结果，从中可以抽取外部数据存储（例如关系数据库）的数据。 处理输入表中数据的时间由触发器间隔控制。 默认情况下，触发器间隔为零，因此，结构化流会在数据抵达时尽快处理数据。 在实践中，这意味着结构化流在处理完前一查询的运行之后，会立即针对所有新收到的数据启动另一个处理运行。 可将触发器配置为根据某个间隔运行，以便在基于时间的批中处理流数据。

结果表中的数据可以只包含自上次处理查询以来生成的新数据（追加模式），或者，每当生成新数据时，可以刷新结果表中的数据，使表中包含自开始执行流查询以来生成的所有输出数据（完整模式）。

追加模式

在追加模式下，只有自上次运行查询以来添加到结果表的行才出现在结果表中，并写入外部存储。 例如，最简单的查询只是将输入表中的所有数据按原样复制到结果表。 在触发器间隔过去之后，将会处理新数据，代表这些新数据的行会显示在结果表中。

假设你要处理来自温度传感器（例如恒温器）的遥测数据。 假设第一个触发器在时间 00:01 处理了设备 1 的一个事件，该设备的温度读数为 95 度。 在查询的第一个触发器中，只有包含时间 00:01 的行会出现在结果表中。 当另一个事件在时间 00:02 抵达时，唯一的新行是包含时间 00:02 的行，因此，结果表只包含该行。

使用追加模式时，查询将应用投影（选择它关注的列）、筛选（只选择与特定条件匹配的行）或联接（使用静态查找表中的数据来扩充数据）。 使用追加模式可以轻松做到只将相关的新数据点推送到外部存储。

完整模式

沿用上述情景，但这一次使用的是完整模式。 在完整模式下，整个输出表根据触发器间隔刷新，因此，该表不仅包含来自最新触发器运行的数据，而且还包含来自所有运行的数据。 可以使用完整模式将输入表中的数据按原样复制到结果表。 在每个触发的运行中，新结果行会连同前面的所有行一起显示。 输出结果表最终会存储自查询开始以来收集的所有数据，并且最终将会耗尽内存。 完整模式适合用于以某种方式汇总传入数据的聚合查询，因此，在每个触发器间隔，将使用新的摘要更新结果表。

假设到目前为止处理了 5 秒的数据，是时候处理第 6 秒的数据了。 输入表包含时间 00:01 和时间 00:03 的事件。 此示例查询的目的是给出设备每隔五秒的平均温度。 此查询的实现将应用一个聚合，以便提取处于每个 5 秒时间范围内的所有值，计算温度平均值，然后生成一行来显示该间隔内的平均温度。 在第一个 5 秒时间范围结束时，会生成两个元组：(00:01, 1, 95) 和 (00:03, 1, 98)。 因此，对于时间范围 00:00-00:05，该聚合会生成包含平均温度 96.5 度的元组。 在下一个 5 秒时间范围内，时间 00:06 处只有一个数据点，因此，生成的平均温度为 98 度。 在时间 00:10 处使用完整模式时，结果表包含时间范围 00:00-00:05 和 00:05-00:10 的行，因为查询会输出所有聚合行，而不仅仅是新行。 因此，随着新时间范围的添加，结果表会不断增大。

并非所有使用完整模式的查询都会导致表无限增大。 沿用前面的示例，假设查询不是按时间范围求温度的平均值，而是按设备 ID 求温度的平均值。 结果表包含固定数量的行（每个设备一个），这些行包含根据设备发送的所有数据点计算得出的平均设备温度。 收到新温度后，结果表将会更新，因此，表中的平均值始终是最新的。

Spark 结构化流应用程序的组件

这个简单的示例查询可以根据一小时时间范围汇总温度读数。 在本例中，数据存储在 Azure 存储（附加为 HDInsight 群集的默认存储）中的 JSON 文件内：

{"time":1469501107,"temp":"95"}
{"time":1469501147,"temp":"95"}
{"time":1469501202,"temp":"95"}
{"time":1469501219,"temp":"95"}
{"time":1469501225,"temp":"95"}

这些 JSON 文件存储在 HDInsight 群集容器下的 temps 子文件夹中。

定义输入源

首先配置一个数据帧，用于描述数据源，以及该源所需的任何设置。 此示例从 Azure 存储中的 JSON 文件抽取数据，并在读取时向这些数据应用一个架构。

import org.apache.spark.sql.types._
import org.apache.spark.sql.functions._

//Cluster-local path to the folder containing the JSON files
val inputPath = "/temps/" 

//Define the schema of the JSON files as having the "time" of type TimeStamp and the "temp" field of type String
val jsonSchema = new StructType().add("time", TimestampType).add("temp", StringType)

//Create a Streaming DataFrame by calling readStream and configuring it with the schema and path
val streamingInputDF = spark.readStream.schema(jsonSchema).json(inputPath)

应用查询

接下来，针对流数据帧应用包含所需操作的查询。 在本例中，某个聚合会将所有行分组到 1 小时时间范围，然后计算该 1 小时时间范围内的最小、平均和最大温度。

val streamingAggDF = streamingInputDF.groupBy(window($"time", "1 hour")).agg(min($"temp"), avg($"temp"), max($"temp"))

定义输出接收器

接下来，针对在每个触发器间隔内添加到结果表中的行定义目标。 此示例只是将所有行输出到稍后可以使用 SparkSQL 查询的内存中表 temps。 完整输出模式可以确保每次都会输出所有时间范围的所有行。

val streamingOutDF = streamingAggDF.writeStream.format("memory").queryName("temps").outputMode("complete")

启动查询

启动流查询，并一直运行到收到终止信号为止。

val query = streamingOutDF.start() 

查看结果

运行查询时，在同一个 SparkSession 中，可以针对存储查询结果的 temps 表运行 SparkSQL 查询。

select * from temps

此查询生成如下所示的结果：

有关 Spark 结构化流 API 及其支持的输入数据源、操作和输出接收器的详细信息，请参阅 Apache Spark 结构化流编程指南。

检查点和预写日志

为提供复原和容错功能，结构化流依赖检查点，确保即使出现节点故障，流处理仍可以不间断地继续。 在 HDInsight 中，Spark 会创建持久存储（Azure 存储或 Data Lake Storage）的检查点。 这些检查点存储有关流查询的进度信息。 此外，结构化流使用预写日志 (WAL)。 WAL 捕获已收到的、但尚未由查询处理的引入数据。 如果发生故障并从 WAL 重新开始处理，从源收到的任何事件不会丢失。

部署 Spark 流式处理应用程序

通常在本地将 Spark 流应用程序生成为 JAR 文件，然后通过将此 JAR 文件复制到 HDInsight 群集上附加的默认存储，在 Spark on HDInsight 中部署此应用程序。 可以使用 POST 操作，通过群集上可用的 Apache Livy REST API 启动该应用程序。 POST 的正文包括提供 JAR 路径的 JSON 文档、其 main 方法定义并运行流应用程序的类的名称，可选的作业资源要求（例如执行器、内存和核心的数量）以及应用程序代码所需的任何配置设置。

此外，可以使用 GET 请求针对 LIVY 终结点检查所有应用程序的状态。 最后，可以通过针对 LIVY 终结点发出 DELETE 请求终止正在运行的应用程序。 有关 LIVY API 的详细信息，请参阅使用 Apache LIVY 执行远程作业

后续步骤

• 在 HDInsight 中创建 Apache Spark 群集
• Apache Spark 结构化流编程指南
• 使用 Apache LIVY 远程启动 Apache Spark 作业