apache-spark - 我们如何在 Spark 结构化流 2.4.4 中缓存/保留数据集

Question

我想在一个计算数据集上编写三个单独的输出，为此我必须缓存/保留我的第一个数据集，否则它将对第一个数据集计算三次，这会增加我的计算时间。

例如

FirstDataset // Get data from kafka;

SecondDataset = FirstDataSet.mapPartitions(Some Calculations);

ThirdDataset = SecondDataset.mapPartitions(Some Calculations);

现在我想过滤我的 ThirdDataset 并输出具有不同逻辑的三种不同条件的过滤后的数据集。

ThirdDataset.filter(**Condition1**).writeStream().foreach(**SOMECALCULATIONS1**).outputMode(OutputMode.Append()).trigger(Trigger.ProcessingTime(600000)).start();

ThirdDataset.filter(**Condition2**).writeStream().foreach(**SOMECALCULATIONS2**).outputMode(OutputMode.Append()).trigger(Trigger.ProcessingTime(600000)).start();

ThirdDataset.filter(**Condition3**).writeStream().foreach(**SOMECALCULATIONS3**).outputMode(OutputMode.Append()).trigger(Trigger.ProcessingTime(600000)).start();

现在对于每个写入流 ThirdDataset 正在计算，如果我缓存 ThirdDataset 那么它不会计算三次。

但是当我执行 ThirdDataset.cache() 时，它会出现以下错误，

Exception in thread "main" org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;

任何人都可以推荐我吗？

Answer 1

使用 foreachbatch 接收器并在数据帧/数据集上进行缓存!