如何设置 Spark 流式接收器频率？

Question

我的要求是处理股票市场的每小时数据。 即，每个流式传输间隔从源获取一次数据并通过 DStream 进行处理。

我已经实现了一个自定义接收器，通过实现 onStart() 和 onStop() 方法及其工作来废弃/监控网站。

遇到的挑战：

• 接收线程连续获取数据，即每个间隔多次获取数据。
• 无法协调接收器和 DStream 执行时间间隔。

我尝试过的选项：

1. 接收线程休眠几秒钟（等于流传输间隔）。 在这种情况下，数据不是处理时的最新数据。

class CustomReceiver(interval: Int)
    extends Receiver[String](StorageLevel.MEMORY_AND_DISK_2) {

  def onStart() {
    new Thread("Website Scrapper") {
      override def run() { receive() }
    }.start()
  }

  def onStop() {

  }

  /** Create a socket connection and receive data until receiver is stopped */
  private def receive() {
    println("Entering receive:" + new Date());
    try {
      while (!isStopped) {
        val scriptsLTP = StockMarket.getLiveStockData()
        for ((script, ltp) <- scriptsLTP) {
          store(script + "," + ltp)
        }
        println("sent data")
        System.out.println("going to sleep:" + new Date());
        Thread.sleep(3600 * 1000);
        System.out.println("awaken from sleep:" + new Date());
      }
      println("Stopped receiving")
      restart("Trying to connect again")
    } catch {
      case t: Throwable =>
        restart("Error receiving data", t)
    }
    println("Exiting receive:" + new Date());
  }
}

如何使 Spark Streaming 接收器与 DStream 处理同步？

Answer 1

这个用例似乎不太适合 Spark Streaming。间隔足够长，可以将其视为常规批处理作业。这样，我们可以更好地利用集群资源。

我将通过并行化目标代码将其重写为 Spark 作业，使用 mapPartitions 将执行程序用作分布式网络抓取工具，然后按预期进行处理。

然后使用 cron 或更高级的替代方案（例如 Chronos）安排 Spark 作业每小时运行一次。