我有两个笔记本。第一个笔记本正在使用tweepy从Twitter阅读推文并将其写入套接字。其他笔记本正在使用Spark结构化流(Python)从该套接字读取推文,并将其结果写入控制台。不幸的是我没有在jupyter控制台上得到输出。代码在pycharm上工作正常。
spark = SparkSession \
.builder \
.appName("StructuredStreaming") \
.getOrCreate()
spark.sparkContext.setLogLevel("ERROR")
# This is Spark Structured Streaming Code which is reading streams from twitter and showing them on console.
tweets = spark \
.readStream \
.format("socket") \
.option("host", "127.0.0.1") \
.option("port", 7000) \
.load()
query = tweets \
.writeStream \
.option("truncate", "false") \
.outputMode("append") \
.format("console") \
.start()
query.awaitTermination()
我不确定Jupyter Notebook是否可以实现。但是,您可以使用内存输出来达到类似的结果。在complete
模式下这很简单,但可能需要对append
进行一些更改。
complete
模式在complete
输出模式下,查询应大致如下所示:
query = tweets \
.writeStream \
.outputMode("complete") \
.format("memory") \
.queryName("your_query_name") \
.start()
注意,结尾没有query.awaitTermination()
。现在,在另一个单元格中查询your_query_name
临时表,并根据需要一直观察持续更新的结果:
from IPython.display import display, clear_output
while True:
clear_output(wait=True)
display(query.status)
display(spark.sql('SELECT * FROM your_query_name').show())
sleep(1)
append
模式如果要使用append
输出模式,则必须使用水印。您也将无法使用聚合,因此您的代码可能需要做一些进一步的更改。
query = tweets \
.withWatermark("timestampColumn", "3 minutes")
.writeStream \
.outputMode("append") \
.format("memory") \
.queryName("your_query_name") \
.start()
用于显示的代码保持不变。您也可以类似的方式显示query.lastProgress
以获取更多详细信息。