我设置了一个运行良好的结构化流,但我希望在它运行时对其进行监视。
我已经构建了一个 EventCollector
class EventCollector extends StreamingQueryListener{
override def onQueryStarted(event: QueryStartedEvent): Unit = {
println("Start")
}
override def onQueryProgress(event: QueryProgressEvent): Unit = {
println(event.queryStatus.prettyJson)
}
override def onQueryTerminated(event: QueryTerminatedEvent): Unit = {
println("Term")
}
我已经构建了一个 EventCollector 并将监听器添加到我的 Spark session 中
val listener = new EventCollector()
spark.streams.addListener(listener)
然后我触发查询
val query = inputDF.writeStream
//.format("console")
.queryName("Stream")
.foreach(writer)
.start()
query.awaitTermination()
但是,onQueryProgress 永远不会被命中。 onQueryStarted 确实如此,但我希望以一定的时间间隔获取查询的进度,以监视查询的执行情况。有人可以帮忙吗?
最佳答案
经过对这个主题的大量研究,这就是我发现的......
OnQueryProgress 在查询之间被命中。我不确定这个功能是否有意为之,但是当我们从文件中传输数据时,OnQueryProgress 不会触发。
我发现的一个解决方案是依赖 foreach writer 接收器并在 process 函数中执行我自己的性能分析。不幸的是,我们无法访问有关正在运行的查询的特定信息。或者,我还没有弄清楚如何做。这是我在沙箱中实现的用于分析性能的方法:
val writer = new ForeachWriter[rawDataRow] {
def open(partitionId: Long, version: Long):Boolean = {
//We end up here in between files
true
}
def process(value: rawDataRow) = {
counter += 1
if(counter % 1000 == 0) {
val currentTime = System.nanoTime()
val elapsedTime = (currentTime - startTime)/1000000000.0
println(s"Records Written: $counter")
println(s"Time Elapsed: $elapsedTime seconds")
}
}
}
获取指标的另一种方法:
获取有关正在运行的查询的信息的另一种方法是访问 Spark 为我们提供的 GET 端点。
或
此处的文档:http://spark.apache.org/docs/latest/monitoring.html
2017 年 9 月 2 日更新号: 在常规 Spark 流上进行测试,而非结构化流
免责声明,这可能不适用于结构化流,我需要设置一个测试床来确认。但是,它确实可以与常规 Spark 流一起使用(在本例中使用 Kafka)。
我相信,自从 Spark Streaming 2.2 发布以来,已经存在新的端点,可以检索有关流性能的更多指标。这可能已经存在于以前的版本中,我只是错过了它,但我想确保它已被记录下来供其他搜索此信息的人使用。
http://localhost:4040/api/v1/applications/ {applicationIdHere}/流媒体/统计
这个端点看起来像是在 2.2 中添加的(或者它已经存在并且只是添加了文档,我不确定,我还没有检查过)。
无论如何,它都会为指定的流应用程序添加这种格式的指标:
{
"startTime" : "2017-09-13T14:02:28.883GMT",
"batchDuration" : 1000,
"numReceivers" : 0,
"numActiveReceivers" : 0,
"numInactiveReceivers" : 0,
"numTotalCompletedBatches" : 90379,
"numRetainedCompletedBatches" : 1000,
"numActiveBatches" : 0,
"numProcessedRecords" : 39652167,
"numReceivedRecords" : 39652167,
"avgInputRate" : 771.722,
"avgSchedulingDelay" : 2,
"avgProcessingTime" : 85,
"avgTotalDelay" : 87
}
这使我们能够使用 Spark 公开的 REST 端点构建自己的自定义指标/监控应用程序。
关于scala - 监控结构化流媒体,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40937627/