如何使用Spark Structured Streaming连续监视目录

Question

我希望spark能够连续监视目录并在文件出现在该目录中时使用spark.readStream读取CSV文件。

请不要包含Spark Streaming的解决方案。我正在寻找一种方法来使用火花结构流。

Answer 1

以下是此用例的完整解决方案案例：

如果您以独立模式运行。您可以将驱动程序内存增加为：

bin/spark-shell --driver-memory 4G

无需像独立模式一样设置执行程序内存执行程序在驱动程序中运行。

在完成@ T.Gaweda的解决方案时，找到以下解决方案：

val userSchema = new StructType().add("name", "string").add("age", "integer")
val csvDF = spark
  .readStream
  .option("sep", ";")
  .schema(userSchema)      // Specify schema of the csv files
  .csv("/path/to/directory")    // Equivalent to format("csv").load("/path/to/directory")

csvDf.writeStream.format("console").option("truncate","false").start()

现在，spark会持续监视指定的目录，只要在目录中添加任何csv文件，就会在该文件上执行DataFrame操作“csvDF”。

注意：如果您想要火花推测，您必须先设置以下配置：

spark.sqlContext.setConf("spark.sql.streaming.schemaInferenc‌​e","true")

火花是你的火花会议。

Answer 2

正如官方documentation所写，你应该使用“文件”来源：

文件来源 - 将目录中写入的文件作为数据流读取。支持的文件格式为text，csv，json，parquet。有关更新的列表，请参阅DataStreamReader接口的文档，以及每种文件格式支持的选项。请注意，文件必须原子地放置在给定目录中，在大多数文件系统中，可以通过文件移动操作来实现。

从文档中获取的代码示例：

// Read all the csv files written atomically in a directory
val userSchema = new StructType().add("name", "string").add("age", "integer")
val csvDF = spark
  .readStream
  .option("sep", ";")
  .schema(userSchema)      // Specify schema of the csv files
  .csv("/path/to/directory")    // Equivalent to format("csv").load("/path/to/directory")

如果您未指定触发器，Spark将尽快读取新文件