如何在 Spark Structured Streaming 中指定批处理间隔？

Question

我正在通过 Spark Structured Streaming 并遇到问题。

在StreamingContext，DStreams中，我们可以定义一个batch interval如下：

from pyspark.streaming import StreamingContext
ssc = StreamingContext(sc, 5) # 5 second batch interval

如何在结构化流中做到这一点？

我的流媒体是这样的：

sparkStreaming = SparkSession \
.builder \
.appName("StreamExample1") \
.getOrCreate()

stream_df = sparkStreaming.readStream.schema("col0 STRING, col1 INTEGER").option("maxFilesPerTrigger", 1).\
csv("C:/sparkStream")

sql1 = stream_df.groupBy("col0").sum("col1")
query = sql1.writeStream.queryName("stream1").outputMode("complete").format("memory").start() 

此代码按预期工作，但是如何/在哪里定义批处理间隔？

我是结构化流媒体的新手，请指导我。

Answer 1

tl;dr 使用trigger(...)（在DataStreamWriter 上，即在writeStream 之后）

---

这是一个很好的来源https://spark.apache.org/docs/latest/structured-streaming-programming-guide.html。

有多种选择，如果不设置批处理间隔，Spark 会在处理完最后一个批处理后立即查找数据。触发器就是这里。

来自手册：

流式查询的触发设置定义了 流数据处理，查询是否将被执行为 具有固定批次间隔或连续的微批次查询 处理查询。

一些例子：

默认触发器（尽快运行微批处理）

df.writeStream \
  .format("console") \
  .start()

ProcessingTime 触发器，微批处理间隔为 2 秒

df.writeStream \
  .format("console") \
  .trigger(processingTime='2 seconds') \
  .start()

一次性触发

df.writeStream \
  .format("console") \
  .trigger(once=True) \
  .start()

以一秒的检查点间隔连续触发

df.writeStream
  .format("console")
  .trigger(continuous='1 second')
  .start()