我正在编写一个 spark 应用程序,我需要根据历史数据评估流数据,该数据位于 sql server 数据库中
现在的想法是,spark 将从数据库中获取历史数据并将其保存在内存中,并根据它评估流数据。
现在我正在获取流数据
import re
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.sql import SQLContext,functions as func,Row
sc = SparkContext("local[2]", "realtimeApp")
ssc = StreamingContext(sc,10)
files = ssc.textFileStream("hdfs://RealTimeInputFolder/")
########Lets get the data from the db which is relavant for streaming ###
driver = "com.microsoft.sqlserver.jdbc.SQLServerDriver"
dataurl = "jdbc:sqlserver://myserver:1433"
db = "mydb"
table = "stream_helper"
credential = "my_credentials"
########basic data for evaluation purpose ########
files_count = files.flatMap(lambda file: file.split( ))
pattern = '(TranAmount=Decimal.{2})(.[0-9]*.[0-9]*)(\\S+ )(TranDescription=u.)([a-zA-z\\s]+)([\\S\\s]+ )(dSc=u.)([A-Z]{2}.[0-9]+)'
tranfiles = "wasb://myserver.blob.core.windows.net/RealTimeInputFolder01/"
def getSqlContextInstance(sparkContext):
if ('sqlContextSingletonInstance' not in globals()):
globals()['sqlContextSingletonInstance'] = SQLContext(sparkContext)
return globals()['sqlContextSingletonInstance']
def pre_parse(logline):
"""
to read files as rows of sql in pyspark streaming using the pattern . for use of logging
added 0,1 in case there is any failure in processing by this pattern
"""
match = re.search(pattern,logline)
if match is None:
return(line,0)
else:
return(
Row(
customer_id = match.group(8)
trantype = match.group(5)
amount = float(match.group(2))
),1)
def parse():
"""
actual processing is happening here
"""
parsed_tran = ssc.textFileStream(tranfiles).map(preparse)
success = parsed_tran.filter(lambda s: s[1] == 1).map(lambda x:x[0])
fail = parsed_tran.filter(lambda s:s[1] == 0).map(lambda x:x[0])
if fail.count() > 0:
print "no of non parsed file : %d", % fail.count()
return success,fail
success ,fail = parse()
现在我想通过我从历史数据中得到的数据框来评估它
base_data = sqlContext.read.format("jdbc").options(driver=driver,url=dataurl,database=db,user=credential,password=credential,dbtable=table).load()
现在,既然这是作为数据框返回的,我如何将其用于我的目的。
流媒体节目指南here说
“您必须使用 StreamingContext 正在使用的 SparkContext 创建一个 SQLContext。”
现在这让我更加困惑如何将现有数据帧与流对象一起使用。任何帮助表示高度赞赏。
最佳答案
要操作 DataFrames,你总是需要一个 SQLContext 所以你可以实例化它:
sc = SparkContext("local[2]", "realtimeApp")
sqlc = SQLContext(sc)
ssc = StreamingContext(sc, 10)
这 2 个上下文( SQLContext 和 StreamingContext )将共存于同一个作业中,因为它们与相同的 相关联SparkContext .
但是,请记住,您不能在同一个作业中实例化两个不同的 SparkContext。
从 DStream 创建 DataFrame 后,您可以将历史 DataFrame 与从流创建的 DataFrame 连接起来。
为此,我会做类似的事情:
yourDStream.foreachRDD(lambda rdd: sqlContext
.createDataFrame(rdd)
.join(historicalDF, ...)
...
)
考虑在操作流时需要用于连接的流数据量,您可能对 windowed functions 感兴趣。
关于apache-spark - 如何使用 spark 数据框评估 spark Dstream 对象,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37174347/