Spark 结构化流 ForeachWriter 和数据库性能

Question

我已经尝试过实现这样的结构化流......

myDataSet
  .map(r =>  StatementWrapper.Transform(r))
  .writeStream
  .foreach(MyWrapper.myWriter)
  .start()
  .awaitTermination()

这一切似乎都有效，但看看 MyWrapper.myWriter 的吞吐量是可怕的。它实际上是在尝试成为一个 JDBC 接收器，它看起来像：

val myWriter: ForeachWriter[Seq[String]] = new ForeachWriter[Seq[String]] {

  var connection: Connection = _

  override def open(partitionId: Long, version: Long): Boolean = {
    Try (connection = getRemoteConnection).isSuccess
  }

  override def process(row: Seq[String]) {
    val statement = connection.createStatement()
    try {
      row.foreach( s => statement.execute(s) )
    } catch {
      case e: SQLSyntaxErrorException => println(e)
      case e: SQLException => println(e)
    } finally {
      statement.closeOnCompletion()
    }
  }

  override def close(errorOrNull: Throwable) {
    connection.close()
  }
}

所以我的问题是 - 是否为每一行实例化了新的 ForeachWriter？因此为数据集中的每一行调用 open() 和 close() ？

有没有更好的设计来提高吞吐量？

如何一次解析SQL语句多次执行，同时保持数据库连接打开？

Answer 1

底层接收器的打开和关闭取决于ForeachWriter 的您的实现。

调用ForeachWriter 的相关类是ForeachSink，这是调用您的编写器的代码：

data.queryExecution.toRdd.foreachPartition { iter =>
  if (writer.open(TaskContext.getPartitionId(), batchId)) {
    try {
      while (iter.hasNext) {
        writer.process(encoder.fromRow(iter.next()))
      }
    } catch {
      case e: Throwable =>
        writer.close(e)
        throw e
    }
    writer.close(null)
  } else {
    writer.close(null)
  }
}

对于从您的源生成的每个批次，都会尝试打开和关闭编写器。如果您希望 open 和 close 每次都真正打开和关闭接收器驱动程序，您需要通过您的实现来这样做。

如果您想更好地控制数据的处理方式，您可以实现Sink trait，它给出了一个批处理 id 和底层的DataFrame：

trait Sink {
  def addBatch(batchId: Long, data: DataFrame): Unit
}