Я участвую в проекте, использующем потоковую передачу структуры Spark 2.2 для чтения сообщения kafka в базу данных Oracle. поток сообщений в кафку составляет около 4000-6000 сообщений в секунду.
при использовании файловой системы hdfs в качестве приемника она просто отлично работает. при использовании foreach jdbc writer со временем будет происходить огромная задержка. Я думаю, что задержка вызвана циклом foreach.
класс приемника jdbc (автономный файл класса):
class JDBCSink(url: String, user: String, pwd: String) extends org.apache.spark.sql.ForeachWriter[org.apache.spark.sql.Row] {
val driver = "oracle.jdbc.driver.OracleDriver"
var connection: java.sql.Connection = _
var statement: java.sql.PreparedStatement = _
val v_sql = "insert INTO sparkdb.t_cf(EntityId,clientmac,stime,flag,id) values(?,?,to_date(?,'YYYY-MM-DD HH24:MI:SS'),?,stream_seq.nextval)"
def open(partitionId: Long, version: Long): Boolean = {
Class.forName(driver)
connection = java.sql.DriverManager.getConnection(url, user, pwd)
connection.setAutoCommit(false)
statement = connection.prepareStatement(v_sql)
true
}
def process(value: org.apache.spark.sql.Row): Unit = {
statement.setString(1, value(0).toString)
statement.setString(2, value(1).toString)
statement.setString(3, value(2).toString)
statement.setString(4, value(3).toString)
statement.executeUpdate()
}
def close(errorOrNull: Throwable): Unit = {
connection.commit()
connection.close
}
}
раковина:
val df = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "namenode:9092").option("fetch.message.max.bytes", "50000000").option("kafka.max.partition.fetch.bytes", "50000000")
.option("subscribe", "rawdb.raw_data")
.option("startingOffsets", "latest")
.load()
.select($"value".as[Array[Byte]])
.map(avroDeserialize(_))
.filter(some logic).select(some logic)
.writeStream.format("csv").option("checkpointLocation", "/user/root/chk").option("path", "/user/root/testdir").start()
если я изменю последнюю строку
.writeStream.format("csv")...
в приемник jdbc foreach следующим образом:
val url = "jdbc:oracle:thin:@(DESCRIPTION=(ADDRESS_LIST=(ADDRESS=(PROTOCOL=TCP)(HOST=x.x.x.x)(PORT=1521)))(CONNECT_DATA=(SERVICE_NAME=fastdb)))"
val user = "user";
val pwd = "password";
val writer = new JDBCSink(url, user, pwd) .writeStream.foreach(writer).outputMode("append").start()
задержка обнаруживается.
Я предполагаю, что проблема, скорее всего, вызвана механикой цикла foreach - он не в пакетном режиме работает с несколькими тысячами строк в пакете, как администратор базы данных Oracle, я точно настроил сторону базы данных Oracle, в основном база данных ждет неактивных событий. чрезмерной фиксации стараются избежать, установив уже connection.setAutoCommit(false)
, любое предложение будет очень признательно.