[Structured Streaming]：Structured Streaming into Redshift sink

Question

是否可以将 Kafka Streaming 源支持的 Dataframe 写入 AWS Redshift，我们过去曾使用 spark-redshift 写入 Redshift，但我认为它不适用于 DataFrame##writeStream .鉴于 Redshift 的工作方式，使用 JDBC 连接器和 ForeachWriter 编写也可能不是一个好主意。

我从 Yelp blog is to write the files into S3 and then invoke Redshift COPY 中遇到的一种可能的方法是使用具有 S3 对象路径的清单文件，在结构化流的情况下，我如何控制写入 S3 的文件？在将 5 个文件写入 S3 后，还有一个单独的触发器来创建清单文件。

也欢迎任何其他可能的解决方案。提前致谢。

Answer 1

Spark 能够非常有效地将普通数据帧加载到 Redshift，但我还没有在 Spark 中使用流。

如果您可以连续将流输出写入标准 df，那么在指定的时间间隔内，您可以将该 df 加载到 Redshift 并清空它。

另一种选择是将流发送到 Kinesis 并使用 Kinesis Firehose 将其加载到 Redshift。不过向堆栈添加另一个流层似乎过多。

Answer 2

有一种方法可以在结构化流中使用 spark-redshift，但您必须在自己的分支中实施一些额外的类。首先你需要一个应该实现 org.apache.spark.sql.execution.streaming.Sink 接口的 RedshiftSink:

private[redshift] class RedshiftSink(
    sqlContext: SQLContext,
    parameters: MergedParameters,
    redshiftWriter: RedshiftWriter) extends Sink {

  private val log = LoggerFactory.getLogger(getClass)

  @volatile private var latestBatchId = -1L

  override def toString(): String = "RedshiftSink"

  override def addBatch(batchId: Long, data: DataFrame): Unit = {
    if (batchId <= latestBatchId) {
      log.info(s"Skipping already committed batch $batchId")
    } else {
      val mode = if (parameters.overwrite) SaveMode.Overwrite else SaveMode.Append
      redshiftWriter.saveToRedshift(sqlContext, data, mode, parameters)
      latestBatchId = batchId
    }
  }
}

然后 com.databricks.spark.redshift.DefaultSource 应该通过实施 org.apache.spark.sql.sources.StreamSinkProvider 来扩展：

  /**
   * Creates a Sink instance
   */
  override def createSink(
    sqlContext: SQLContext,
    parameters: Map[String, String],
    partitionColumns: Seq[String],
    outputMode: OutputMode): Sink = {
      new RedshiftSink(sqlContext, Parameters.mergeParameters(parameters), new RedshiftWriter(jdbcWrapper, s3ClientFactory))
  }

现在您应该可以在结构化流中使用它了：

dataset.writeStream()
        .trigger(Trigger.ProcessingTime(10, TimeUnit.SECONDS))
        .format("com.databricks.spark.redshift")
        .outputMode(OutputMode.Append())
        .queryName("redshift-stream")
        .start()

更新

要解决向 StreamExecution RedshiftWriter.unloadData() 报告指标的问题，必须更改为使用 data.queryExecution.toRdd.mapPartitions 而不是 data.rdd.mapPartitions，因为 data.rdd 创建了一个不可见的新计划到 StreamExecution（它使用现有计划来收集指标）。它还需要将转换函数更改为：

val conversionFunctions: Array[(InternalRow, Int) => Any] = data.schema.fields.map { field =>
  field.dataType match {
    case DateType =>
      val dateFormat = Conversions.createRedshiftDateFormat()
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else dateFormat.format(
          DateTimeUtils.toJavaDate(row.getInt(ordinal)))
      }
    case TimestampType =>
      val timestampFormat = Conversions.createRedshiftTimestampFormat()
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else timestampFormat.format(
          DateTimeUtils.toJavaTimestamp(row.getLong(ordinal)))
      }
    case StringType =>
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else row.getString(ordinal)
      }
    case dt: DataType =>
      (row: InternalRow, ordinal: Int) => {
        if (row.isNullAt(ordinal)) null else row.get(ordinal, dt)
      }
  }
}

[Structured Streaming]：Structured Streaming into Redshift sink

[Structured Streaming]: Structured Streaming into Redshift sink

amazon-redshift

apache-spark-sql

spark-structured-streaming

更新