DataStreamReader和DataStreamWriter怎么使用
更新:HHH   时间:2023-1-7


这篇文章主要介绍“DataStreamReader和DataStreamWriter怎么使用”,在日常操作中,相信很多人在DataStreamReader和DataStreamWriter怎么使用问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”DataStreamReader和DataStreamWriter怎么使用”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!

流的读取是从DataStreamReader和DataStreamWriter开始的。

DataStreamReader

DataStreamReader是生成流读取者的入口所在,关键方法是load。这段代码很关键,所以把全部代码先贴出来,慢慢分析。

def load(): DataFrame = {
    
    val ds = DataSource.lookupDataSource(source, sparkSession.sqlContext.conf).

      getConstructor().newInstance()
   
    val v1DataSource = DataSource(

      sparkSession,

      userSpecifiedSchema = userSpecifiedSchema,

      className = source,

      options = extraOptions.toMap)

    val v1Relation = ds match {

      case _: StreamSourceProvider => Some(StreamingRelation(v1DataSource))

      case _ => None

    }

    ds match {

      case provider: TableProvider =>

        val sessionOptions = DataSourceV2Utils.extractSessionConfigs(

          source = provider, conf = sparkSession.sessionState.conf)

        val options = sessionOptions ++ extraOptions

        val dsOptions = new CaseInsensitiveStringMap(options.asJava)

        val table = userSpecifiedSchema match {

          case Some(schema) => provider.getTable(dsOptions, schema)

          case _ => provider.getTable(dsOptions)

        }

        import org.apache.spark.sql.execution.datasources.v2.DataSourceV2Implicits._

        table match {

          case _: SupportsRead if table.supportsAny(MICRO_BATCH_READ, CONTINUOUS_READ) =>

            Dataset.ofRows(

              sparkSession,

              StreamingRelationV2(

                provider, source, table, dsOptions, table.schema.toAttributes, v1Relation)(

                sparkSession))

          // fallback to v1

          // TODO (SPARK-27483): we should move this fallback logic to an analyzer rule.

          case _ => Dataset.ofRows(sparkSession, StreamingRelation(v1DataSource))

        }

      case _ =>

        // Code path for data source v1.

        Dataset.ofRows(sparkSession, StreamingRelation(v1DataSource))

    }

  }

有好多分支,重要的是区分开V1和V2。

V1用的逻辑关系是StreamingRelation;而V2用的逻辑关系是StreamingRelationV2。这里先看看他们对应的物理计划是什么?

在SparkStrategies.scala文件中,定义了物理计划:

/**

   * This strategy is just for explaining `Dataset/DataFrame` created by `spark.readStream`.

   * It won't affect the execution, because `StreamingRelation` will be replaced with

   * `StreamingExecutionRelation` in `StreamingQueryManager` and `StreamingExecutionRelation` will

   * be replaced with the real relation using the `Source` in `StreamExecution`.

   */

object StreamingRelationStrategy extends Strategy {

    def apply(plan: LogicalPlan): Seq[SparkPlan] = plan match {

      case s: StreamingRelation =>

        StreamingRelationExec(s.sourceName, s.output) :: Nil

      case s: StreamingExecutionRelation =>

        StreamingRelationExec(s.toString, s.output) :: Nil

      case s: StreamingRelationV2 =>

        StreamingRelationExec(s.sourceName, s.output) :: Nil

      case _ => Nil

    }

  }

物理计划都是StreamingRelationExec,StreamingRelationExec的代码其实啥都没实现,所以最后其实看代码注释StreamingRelationExec也不是真正的物理计划。

这里先记得相关的类ContinuousExecution和MicroBatchExecution。一时找不到怎么执行到具体的物理计划ContinuousExecution和MicroBatchExecution的,我们就试试反推把。先看看ContinuousExecution的代码。

StreamExecution

StreamExecution是抽象类。其抽象方法runActivatedStream是执行具体的连续流读取任务的,子类会重写该函数。

runStream方法封装了runActivatedStream方法,额外加了些事件通知等处理机制,知道这一点就行了。

StreamingQueryManager

这里先尝试看看StreamingQueryManager是干什么用的,看注释应该是管理所有的StreamingQuery的。

 private def createQuery(...): StreamingQueryWrapper ={

   (sink, trigger) match {

      case (table: SupportsWrite, trigger: ContinuousTrigger) =>
       

        new StreamingQueryWrapper(new ContinuousExecution(

          sparkSession,

          userSpecifiedName.orNull,

          checkpointLocation,

          analyzedPlan,

          table,

          trigger,

          triggerClock,

          outputMode,

          extraOptions,

          deleteCheckpointOnStop))

      case _ =>

        if (operationCheckEnabled) {

          UnsupportedOperationChecker.checkForStreaming(analyzedPlan, outputMode)

        }

        new StreamingQueryWrapper(new MicroBatchExecution(

          sparkSession,

          userSpecifiedName.orNull,

          checkpointLocation,

          analyzedPlan,

          sink,

          trigger,

          triggerClock,

          outputMode,

          extraOptions,

          deleteCheckpointOnStop))

    }

}

对于连续流,返回一个:

  new StreamingQueryWrapper(new ContinuousExecution))

StreamingQueryWrapper的作用,就是将StreamingQuery封装成可序列化的,别的和StreamingQuery没什么区别。这里对于连续流就是包装了ContinuousExecution。

ContinuousExecution

ContinuousExecution看名称应该是对应连续流的物理执行计划的,继承自StreamExecution(抽象类)。看看主要代码其实就是重写了runActivatedStream方法。

 override protected def runActivatedStream(sparkSessionForStream: SparkSession): Unit = {

    val stateUpdate = new UnaryOperator[State] {

      override def apply(s: State) = s match {

        // If we ended the query to reconfigure, reset the state to active.

        case RECONFIGURING => ACTIVE

        case _ => s

      }

    }

    do {

      runContinuous(sparkSessionForStream)

    } while (state.updateAndGet(stateUpdate) == ACTIVE)

    stopSources()

  }

真正的执行逻辑代码在私有方法runContinuous中,这里就不详细展开了,知道了主要流程就可以了。

下面就是要看看ContinuousExecution到底是在哪里被从逻辑计划转换到物理计划的。

搜索全文,找到了StreamingQueryManager.scala这个文件。对了,就是从上面的StreamingQueryManager找到这个ContinuousExecution。

DataStreamWriter

DataStreamWriter是真正触发流计算开始启动执行的地方。

start()方法得到要给StreamingQuery,方法里的关键代码片段:

 df.sparkSession.sessionState.streamingQueryManager.startQuery(

        extraOptions.get("queryName"),

        extraOptions.get("checkpointLocation"),

        df,

        extraOptions.toMap,

        sink,

        outputMode,

        useTempCheckpointLocation = source == "console" || source == "noop",

        recoverFromCheckpointLocation = true,

        trigger = trigger)

跟踪进去到了StreamingQueryManager,看它的startQuery方法。

startQuery方法分为几步:

  1. 调用createQuery方法返回StreamingQuery。

val query = createQuery(

      userSpecifiedName,

      userSpecifiedCheckpointLocation,

      df,

      extraOptions,

      sink,

      outputMode,

      useTempCheckpointLocation,

      recoverFromCheckpointLocation,

      trigger,

      triggerClock)

query就是StreamingQueryWrapper,就是类似这样的代码:

new StreamingQueryWrapper(new ContinuousExecution))

2、启动上一步的query 

try {     

      query.streamingQuery.start()

    } catch {     

    }

这里的代码直接调用到StreamingQuery的父类StreamExecution的start方法。代码定义:

def start(): Unit = {

    logInfo(s"Starting $prettyIdString. Use $resolvedCheckpointRoot to store the query checkpoint.")

    queryExecutionThread.setDaemon(true)

    queryExecutionThread.start()

    startLatch.await()  // Wait until thread started and QueryStart event has been posted

  }

queryExecutionThread线程的定义又是这样的:

val queryExecutionThread: QueryExecutionThread =

    new QueryExecutionThread(s"stream execution thread for $prettyIdString") {

      override def run(): Unit = {

        sparkSession.sparkContext.setCallSite(callSite)

        runStream()

      }

    }

最后在线程中启动runStream这个私有方法。

3、返回query

最后返回query,注意这里的query在上面的代码中已经start运行了。

到此,关于“DataStreamReader和DataStreamWriter怎么使用”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注天达云网站,小编会继续努力为大家带来更多实用的文章!

返回云计算教程...