学习 Spark Streaming

Question

我正在使用“学习火花流”一书来学习火花流。在这本书中，我在讨论 Dstream、RDD、块/分区的部分中找到了以下内容。

最后，在此架构中忽略的一个重要点是 Receiver 接口还可以选择连接到提供数据片段集合（想想数组）的数据源。例如，这在某些反序列化用途中尤为重要。在这种情况下，Receiver 不会通过块间隔等待来处理将数据分割成分区，而是认为整个集合反映了数据分割成块，并为集合的每个元素创建一个块。此操作对数据生产者的部分要求很高，因为它要求它以块间隔与批次间隔的比率生产块以可靠地运行（在每个批次上交付正确数量的块）。但有些人发现它可以提供卓越的性能，提供一种能够快速使许多块可用于序列化的实现。

我一直在摸索，不能简单地理解作者在说什么，尽管我觉得我应该理解它。有人可以给我一些指示吗？

Answer 1

披露：我是这本书的合著者。

我们想表达的是，自定义接收器 API 有两种工作模式：一种是生产方一次发送一条消息，另一种是接收方可以一次发送多条消息（批量）。

• 在一次一条消息模式下，Spark 负责缓冲数据并将数据收集到块中以供进一步处理。
• 在批量模式下，缓冲和分组的负担在生产方，但在某些情况下可能更有效。

这反映在 API 中：

def store(dataBuffer: ArrayBuffer[T]): Unit
    Store an ArrayBuffer of received data as a data block into Spark's memory.

def store(dataItem: T): Unit
    Store a single item of received data to Spark's memory.

我同意您的观点，该段落令人费解，可能无法像我们希望的那样清楚地传达信息。我会注意改进它。

感谢您的反馈！