将 Spark 流输出写入套接字答案

【问题标题】：Writing Spark Streaming Output to a Socket将 Spark 流输出写入套接字
【发布时间】：2015-01-01 14:33:33
【问题描述】：

我有一个 DStream“Crowd”，我想将“Crowd”中的每个元素写入一个套接字。当我尝试从该套接字读取时，它不会打印任何内容。我正在使用以下代码行：

val server = new ServerSocket(4000,200);
val conn = server.accept()
val out = new PrintStream(conn.getOutputStream());
crowd.foreachRDD(rdd => {rdd.foreach(record=>{out.println(record)})})

但如果使用（虽然这不是我想要的）：

crowd.foreachRDD(rdd => out.println(rdd))

它确实向套接字写入了一些东西。

我怀疑使用 rdd.foreach() 存在问题。虽然它应该工作。我不确定我错过了什么。

【问题讨论】：

标签： java sockets socket.io apache-spark

【解决方案1】：

DStream闭包外的代码在驱动中执行，而rdd.foreach(...)会在RDD的每个分布式分区上执行。因此，在驱动程序的机器上创建了一个套接字，并且作业尝试在另一台机器上写入它 - 由于显而易见的原因，这将无法正常工作。

DStream.foreachRDD 在驱动程序上执行，因此在这种情况下，套接字和计算在同一主机上执行。因此它有效。

由于 RDD 计算的分布式特性，这种服务器套接字方法将很难工作，因为动态服务发现成为一个挑战，即“我的服务器套接字在哪里打开？”。研究一些允许您集中访问分布式数据的系统。 Kafka 是这种流式处理的不错选择。

【讨论】：

谢谢。这有助于理解。因此，为了克服这个服务发现挑战，它将语句修改为：crowd.foreachRDD(rdd => {rdd.collect.foreach(record=>{out.println(record)})})。这将起作用（它起作用），因为它将从工作人员那里收集 rdd 分区并将其发送到将写入套接字的驱动程序。我希望这是正确的方法。你怎么看这个..collect.foreach.......这件事？

【解决方案2】：

Here in the official documentation你有答案！

您必须在foreachRDD 函数内创建连接，如果您想以最佳方式完成此操作，您需要创建一个连接“池”，然后将您想要的连接带入foreachPartition 函数内, 并调用 foreach 函数通过该连接发送元素。这是以最佳方式执行此操作的示例代码：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool is a static, lazily initialized pool of connections
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
  }
}

无论如何，请检查其他 cmets，因为它们提供了有关问题上下文的良好知识。

【讨论】：

【解决方案3】：

crowd.foreachRDD(rdd => {rdd.collect.foreach(record=>{out.println(record)})})

您在 cmets 中建议的代码可以正常工作，但在这种情况下，您必须在驱动程序中收集所有 RDD 记录。如果记录的数量很少，那将是可以的，但如果记录的数量大于驱动程序的内存，则会成为瓶颈。您的第一次尝试应始终在客户端处理数据。请记住，RDD 分布在工作机器上，这意味着首先您需要将 RDD 中的所有记录带到驱动程序中，从而增加通信，这在分布式计算中是一种扼杀。因此，如前所述，只有当 RDD 中的记录有限时，您的代码才可以使用。

我正在解决类似的问题，我一直在寻找如何将连接池化并将它们序列化到客户端计算机。如果有人对此有任何答案，那就太好了。

【讨论】：