web-dev-qa-db-ja.com

完全出力モードで集計が必要なのはなぜですか?

Apache Spark 2.2で最新の構造化ストリーミングを使用していますが、次の例外が発生しました。

org.Apache.spark.sql.AnalysisException:ストリーミングDataFrames/Datasetsにストリーミング集約がない場合、完全な出力モードはサポートされません;;

完全出力モードでストリーミング集約が必要なのはなぜですか? Sparkがストリーミングクエリで集計なしの完全な出力モードを許可した場合はどうなりますか?

scala> spark.version
res0: String = 2.2.0

import org.Apache.spark.sql.execution.streaming.MemoryStream
import org.Apache.spark.sql.SQLContext
implicit val sqlContext: SQLContext = spark.sqlContext
val source = MemoryStream[(Int, Int)]
val ids = source.toDS.toDF("time", "id").
  withColumn("time", $"time" cast "timestamp"). // <-- convert time column from Int to Timestamp
  dropDuplicates("id").
  withColumn("time", $"time" cast "long")  // <-- convert time column back from Timestamp to Int

import org.Apache.spark.sql.streaming.{OutputMode, Trigger}
import scala.concurrent.duration._
scala> val q = ids.
     |   writeStream.
     |   format("memory").
     |   queryName("dups").
     |   outputMode(OutputMode.Complete).  // <-- memory sink supports checkpointing for Complete output mode only
     |   trigger(Trigger.ProcessingTime(30.seconds)).
     |   option("checkpointLocation", "checkpoint-dir"). // <-- use checkpointing to save state between restarts
     |   start
org.Apache.spark.sql.AnalysisException: Complete output mode not supported when there are no streaming aggregations on streaming DataFrames/Datasets;;
Project [cast(time#10 as bigint) AS time#15L, id#6]
+- Deduplicate [id#6], true
   +- Project [cast(time#5 as timestamp) AS time#10, id#6]
      +- Project [_1#2 AS time#5, _2#3 AS id#6]
         +- StreamingExecutionRelation MemoryStream[_1#2,_2#3], [_1#2, _2#3]

  at org.Apache.spark.sql.catalyst.analysis.UnsupportedOperationChecker$.org$Apache$spark$sql$catalyst$analysis$UnsupportedOperationChecker$$throwError(UnsupportedOperationChecker.scala:297)
  at org.Apache.spark.sql.catalyst.analysis.UnsupportedOperationChecker$.checkForStreaming(UnsupportedOperationChecker.scala:115)
  at org.Apache.spark.sql.streaming.StreamingQueryManager.createQuery(StreamingQueryManager.scala:232)
  at org.Apache.spark.sql.streaming.StreamingQueryManager.startQuery(StreamingQueryManager.scala:278)
  at org.Apache.spark.sql.streaming.DataStreamWriter.start(DataStreamWriter.scala:247)
  ... 57 elided
14
Jacek Laskowski

構造化ストリーミングプログラミングガイド -その他のクエリ(集計、mapGroupsWithStateおよびflatMapGroupsWithStateを除く)から:

集計されていないすべてのデータを結果テーブルに保持することは不可能であるため、完全モードはサポートされていません。

質問に答えるには:

Sparkがストリーミングクエリで集計なしの完全な出力モードを許可した場合はどうなりますか?

おそらくOOM。

不可解な部分は、dropDuplicates("id")が集約としてマークされていない理由です。

5
Alper t. Turker

問題は出力モードだと思います。 OutputMode.Completeを使用する代わりに、以下に示すようにOutputMode.Appendを使用します。

scala> val q = ids
    .writeStream
    .format("memory")
    .queryName("dups")
    .outputMode(OutputMode.Append)
    .trigger(Trigger.ProcessingTime(30.seconds))
    .option("checkpointLocation", "checkpoint-dir")
    .start
4
Thomas Okonkwo