apache-spark - 如何在结构化流中正确使用 foreachBatch.batchDF.unpersist()?(继续出错)
问题描述
我正在使用 Spark 3.0 的结构化流。
我想要做的是将数据写入多个接收器。我需要在 Kafka 中编写一些 DataFrame 以在另一个进程中使用,并且还需要将相同的 DataFrame 存储在 Cassandra 中以供以后使用(一些仪表板等)。
对于定位过程,我编写了如下代码。我从这里参考了官方文档。
merged_stream.writeStream
//.trigger(Trigger.ProcessingTime("3 seconds"))
.foreachBatch((batchDF: DataFrame, batchId: Long) => {
batchDF.persist()
batchDF.write
.format("kafka")
.option("kafka.bootstrap.servers", brokers)
.option("kafka.compression.type", sinkCompressionType)
.option("topic", mergeTopic)
.mode("append")
.save()
batchDF.write
.format("org.apache.spark.sql.cassandra")
.cassandraFormat(cassandraTable, cassandraKeyspace, cassandraCluster)
.mode("append")
.save()
batchDF.unpersist() //**this is the problem!!**//
})
.option("checkpointLocation", checkpointDir)
.start()
.awaitTermination()
但是,每当我batchDF.unpersist()
在 foreachBatch 的最后一部分编写时,都会发生编译错误:
[error] (function: org.apache.spark.api.java.function.VoidFunction2[org.apache.spark.sql.Dataset[org.apache.spark.sql.Row],java.lang.Long])org.apache.spark.sql.streaming.DataStreamWriter[org.apache.spark.sql.Row] <and>
[error] (function: (org.apache.spark.sql.Dataset[org.apache.spark.sql.Row], scala.Long) => Unit)org.apache.spark.sql.streaming.DataStreamWriter[org.apache.spark.sql.Row]
[error] cannot be applied to ((org.apache.spark.sql.DataFrame, scala.Long) => org.apache.spark.sql.DataFrame)
[error] .foreachBatch({(batchDF: DataFrame, batchId: Long) => {
[error] ^
[error] one error found
[error] (Compile / compileIncremental) Compilation failed
当我删除它时batchDF.unpersist()
,它可以正常工作,并且我检查了数据是否可以很好地进入 Kafka 和 Cassandra。但是,很明显,由于缓存的数据保留在内存中,它很快就出现了内存不足错误。
我也尝试过使用sparkSession.catalog.clearCache()
,但它似乎没有按我的预期工作。
为什么会发生此错误,因为我的代码与文档完全相同?另外,我该如何解决?
提前致谢。
解决方案
Spark 一直为 Scala 和 Java 提供两种不同的方法,因为 Scala 在 Scala 2.12 之前不生成 Java lambda。
/**
* Applies a function `f` to all rows.
*
* @group action
* @since 1.6.0
*/
def foreach(f: T => Unit): Unit = withNewRDDExecutionId {
rdd.foreach(f)
}
/**
* (Java-specific)
* Runs `func` on each element of this Dataset.
*
* @group action
* @since 1.6.0
*/
def foreach(func: ForeachFunction[T]): Unit = foreach(func.call(_))
这是为了方便 Java 用户,但是一旦 Spark 开始支持 Scala 2.12,这些方法就会相互冲突。
Spark 社区中进行了相关讨论,但似乎做出了保持 API 兼容性的决定。也就是说,不幸的是,您需要“严格”匹配两个方法之间的签名之一,例如,Unit
在 lambda 末尾添加。
推荐阅读
- javascript - 向递归函数添加类型
- authentication - 如何在 KONG 中实现外部身份验证?
- android - 具有时间间隔的请求位置更新未在前台服务中获取位置更新?
- python - 如何在 for 循环中创建多索引 pandas 数据框?
- c - C 中结构的 malloc(从 C++ 移植)
- postgresql - 由于插入查询需要很长时间而导致的异常
- javascript - 如何在不导入 Angular 应用程序之外调用 javascript 函数
- php - 没有从 Laravel 的原始查询中得到任何结果
- json - 如何使用 Jackson 创建无名 Json 数组
- html - 无法在 ::before div 中居中段落