替代递归运行Spark-submit作业

Question

以下是我需要建议的场景，

场景：

数据摄取通过Nifi进入Hive表。

Spark程序必须对Hive中的数据执行ETL操作和复杂连接。

由于从Nifi摄取的数据是连续流式传输，我希望Spark工作每1或2分钟就可以在摄取的数据上运行。

哪个是最好的选择？

使用调度程序每1分钟触发一次火花提交作业？我们如何减少递归提交作业到火花集群的头脑和时间滞后？是否有更好的方法递归运行单个程序？

运行火花流媒体工作？火花流工作可以每1分钟自动触发并处理来自蜂巢的数据吗？ [Spark-Streaming只能基于时间触发吗？]

有没有其他有效的机制来处理这种情况？

提前致谢

Answer 1

1. 如果你需要每分钟运行的东西，你最好使用spark-streaming而不是批处理。
2. 您可能希望直接从kafka获取数据，而不是从hive表获取数据，因为它更快。

至于你的问题什么是更好的批/流。您可以将火花流视为每批“批处理间隔”运行的微批处理流程。

阅读本文：https://spark.apache.org/docs/latest/streaming-programming-guide.html