具有大窗口大小的火花结构化流：内存消耗

Question

我们计划实施一个 Spark Structured Streaming 应用程序，该应用程序将使用连续的数据流：度量值随时间的演变。 此流式应用程序将使用 7 天的窗口大小（和一个滑动窗口），以便频繁计算过去 7 天的指标值的平均值。

1- Spark 会保留所有这 7 天的数据（对消耗的内存有很大影响），或者 Spark 会不断计算和更新请求的平均值（然后删除处理过的数据），因此不会影响消耗的内存（不保留 7 天的数据）？

2- 如果第一个问题的答案是保留这 7 天的数据，水印的使用会阻止这种保留吗？ 假设我们有一个 1 小时的水印； Spark 中只会保留 1 小时的数据，还是会在 Spark 内存中保留 7 天，并且此处的水印只是为了忽略数据时间戳超过 1 小时的新数据？

Answer 1

Window Size 7 绝对是一个重要的参数，但它也取决于传入的流数据量/记录。诀窍在于如何使用 Window 持续时间、更新间隔、输出模式以及必要时的水印（如果业务规则不受影响）

1- 如果流配置为滚动窗口大小（即窗口持续时间与更新持续时间相同），在完整模式下，您最终可能会将完整数据保留在内存中 7 天。但是，如果您将窗口持续时间配置为 7 天，每 x 分钟更新一次，则将每 x 分钟计算一次聚合，并且仅将结果数据保存在内存中。因此查看窗口 API 参数并配置获取结果的方式。

2- Watermark 带来了不同的行为，它会忽略 watermark 持续时间之前的记录，并在每个微批次超过 watermark 时间后更新结果表。如果您的业务规则可以包含水印计算，也可以使用它。

在enter link description here详细了解API，输出模式和水印使用方法很好 这将有助于选择正确的组合。