如何在 PySpark 中使用 foreach 或 foreachBatch 写入数据库？答案

【问题标题】：How to use foreach or foreachBatch in PySpark to write to database?如何在 PySpark 中使用 foreach 或 foreachBatch 写入数据库？
【发布时间】：2020-03-05 02:11:02
【问题描述】：

我想使用 Python (PySpark) 从 Kafka 源到 MariaDB 执行 Spark Structured Streaming (Spark 2.4.x)。

我想使用流式 Spark 数据帧，而不是静态或 Pandas 数据帧。

似乎必须使用foreach 或foreachBatch，因为根据https://spark.apache.org/docs/latest/structured-streaming-programming-guide.html#output-sinks，流数据帧没有可能的数据库接收器。

这是我的尝试：

from pyspark.sql import SparkSession
import pyspark.sql.functions as F
from pyspark.sql.types import StructField, StructType, StringType, DoubleType, TimestampType
from pyspark.sql import DataFrameWriter
# configuration of target db
db_target_url = "jdbc:mysql://localhost/database"
db_target_properties = {"user":"writer", "password":"1234"}
# schema
schema_simple = StructType([StructField("Signal", StringType()),StructField("Value", DoubleType())])

# create spark session
spark = SparkSession.builder.appName("streamer").getOrCreate()

# create DataFrame representing the stream
df = spark.readStream \
  .format("kafka").option("kafka.bootstrap.servers", "localhost:9092") \
  .option("subscribe", "mytopic") \
  .load() \
  .selectExpr("Timestamp", "cast (value as string) as json") \
  .select("Timestamp", F.from_json("json", schema_simple).alias('json_wrapper')) \
  .selectExpr("Timestamp", "json_wrapper.Signal", "json_wrapper.Value")
df.printSchema()
# Do some dummy processing
df2 = df.filter("Value < 11111111111")
print("df2: ", df2.isStreaming)

def process_row(row):
    # Process row
    row.write.jdbc(url=db_target_url, table="mytopic", mode="append", properties=db_target_properties)
    pass
query = df2.writeStream.foreach(process_row).start()

我收到一个错误：

属性错误：写入

为什么？

【问题讨论】：

标签： apache-spark pyspark apache-kafka spark-structured-streaming

【解决方案1】：

tl;dr 将 foreach 替换为 foreachBatch。

引用official documentation：

foreach 和 foreachBatch 操作允许您在流式查询的输出上应用任意操作和编写逻辑。它们的用例略有不同——foreach 允许在每一行上自定义写入逻辑，foreachBatch 允许在每个微批处理的输出上进行任意操作和自定义逻辑。

换句话说，您的writeStream.foreach(process_row) 作用于没有write.jdbc 可用的单行（数据），因此出现错误。

将行视为一段数据，您可以使用任何 API 将其保存在任何位置。

如果您确实需要 Spark 的支持（并且确实使用 write.jdbc），您应该实际使用 foreachBatch。

foreach 允许在每一行上自定义写入逻辑，foreachBatch 允许对每个微批处理的输出进行任意操作和自定义逻辑。

【讨论】：

foreach 或 foreachBatch 是否会降低应用程序的速度？
在当前批次完成之前，不会再启动（微）批次。所以，请尽快输入foreach 和foreachBatch。

【解决方案2】：

在 Jacek 的支持下，我可以修复我的示例：

def process_row(df, epoch_id):
    df2.write.jdbc(url=db_target_url, table="mytopic", mode="append", properties=db_target_properties)
    pass
query = df2.writeStream.foreachBatch(process_row).start()

您还必须将 epoch_id 放入函数参数中。否则，您会在 spark 日志文件中看到 jupyter notebook 中未显示的错误。

【讨论】：