Azure DataBricks Stream foreach因NotSerializableException而失败

Question

我想继续详细说明数据集流的行（最初由Kafka发起）：基于我想要更新Radis散列的条件。这是我的代码片段（lastContacts是上一个命令的结果，这是一个这种类型的流：org.apache.spark.sql.DataFrame = [serialNumber: string, lastModified: long]。这扩展到org.apache.spark.sql.Dataset[org.apache.spark.sql.Row]）：

class MyStreamProcessor extends ForeachWriter[Row] {
  override def open(partitionId: Long, version: Long): Boolean = {
    true
  }

  override def process(record: Row) = {
    val stringHashRDD = sc.parallelize(Seq(("lastContact", record(1).toString)))
    sc.toRedisHASH(stringHashRDD, record(0).toString)(redisConfig)
  }

  override def close(errorOrNull: Throwable): Unit = {}
}

val query = lastContacts
  .writeStream
  .foreach(new MyStreamProcessor())
  .start()

query.awaitTermination()

我收到一个巨大的堆栈跟踪，相关部分（我认为）是这样的：java.io.NotSerializableException: org.apache.spark.sql.streaming.DataStreamWriter

谁能解释为什么会发生这种异常以及如何避免？谢谢！

这个问题与以下两个有关：

• DataFrame to RDD[(String, String)] conversion
• Call a function with each element a stream in Databricks

Answer 1

Spark Context不可序列化。

ForeachWriter的任何实现都必须是可序列化的，因为每个任务都将获得所提供对象的新的序列化反序列化副本。因此，强烈建议在调用open（...）方法之后完成用于写入数据的任何初始化（例如，打开连接或启动事务），这表示任务已准备好生成数据。

在您的代码中，您尝试在流程方法中使用spark上下文，

override def process(record: Row) = {
    val stringHashRDD = sc.parallelize(Seq(("lastContact", record(1).toString)))
    *sc.toRedisHASH(stringHashRDD, record(0).toString)(redisConfig)*
  }

要将数据发送到redis，您需要创建自己的连接并在open方法中打开它，然后在process方法中使用它。

看看如何创建redis连接池。 https://github.com/RedisLabs/spark-redis/blob/master/src/main/scala/com/redislabs/provider/redis/ConnectionPool.scala