DataSourceV2流处理方法是什么

本篇内容介绍了"DataSourceV2流处理方法是什么"的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

SparkSession结构化流处理最后其实是通过DataSet的writeStream触发执行的。这点与传统的spark sql方式是不一样的。writeStream会找到StreamingQueryManager的startQuery方法，然后一步步到MicroBatchExecution和ContinuousExecution。

核心点：MicroBatchExecution和ContinuousExecution里面会对StreamingRelationV2进行转换，转换成StreamingDataSourceV2Relation。而MicroBatchExecution和ContinuousExecution只有在StreamingQueryManager的createQuery方法中才会被使用到。那么这个StreamingQueryManager的createQuery方法会在哪里被使用到呢？跟踪代码会发现是DataStreamWriter中调用StreamingQueryManager的startQuery方法进而调用到createQuery方法的。

而DataStreamWriter是Dataset的writeStream创建的。

【以上说的是写入流的过程】。

关键类：BaseSessionStateBuilder，里面有analyzer的定义。

protected def analyzer: Analyzer = new Analyzer(catalog, v2SessionCatalog, conf) {    overrideval extendedResolutionRules: Seq[Rule[LogicalPlan]] =      new FindDataSourceTable(session) +:        new ResolveSQLOnFile(session) +:        new FallBackFileSourceV2(session) +:        DataSourceResolution(conf, this.catalogManager) +:        customResolutionRules    overrideval postHocResolutionRules: Seq[Rule[LogicalPlan]] =      new DetectAmbiguousSelfJoin(conf) +:        PreprocessTableCreation(session) +:        PreprocessTableInsertion(conf) +:        DataSourceAnalysis(conf) +:        customPostHocResolutionRules    overrideval extendedCheckRules: Seq[LogicalPlan => Unit] =      PreWriteCheck +:        PreReadCheck +:        HiveOnlyCheck +:        TableCapabilityCheck +:        customCheckRules  }

这里没有特别需要关注的，先忽略。

DataSourceV2是指spark中V2版本的结构化流处理引擎框架。这里说的逻辑计划就是StreamingDataSourceV2Relation，对应的物理计划分成两类：MicroBatchScanExec和ContinuousScanExec，两者的应用场景从取名上就可以分辨出来，一个是微批处理模式；另一个则是连续流模式。

我们先从物理计划开始解析。

这两个物理计划基于同一个父类：DataSourceV2ScanExecBase，先看看父类的代码：

关键代码：

override def doExecute(): RDD[InternalRow] = {    val numOutputRows = longMetric("numOutputRows")    inputRDD.map { r =>      numOutputRows += 1      r    }  }

子类需要重写inputRDD。

StreamExecution

两种重要的checkpoint属性：

val offsetLog = new OffsetSeqLog(sparkSession, checkpointFile("offsets"))

val commitLog = new CommitLog(sparkSession, checkpointFile("commits"))

offsetLog是当前读取到哪个offset了，commitLog是当前处理到哪个Offset了。这两个Log非常重要，合在一起保证了Exactly-once语义。

MicroBatchScanExec

好了，先看看MicroBatchScanExec是怎么重写inputRDD的。

override lazy val partitions: Seq[InputPartition] = stream.planInputPartitions(start, end)  override lazy val readerFactory: PartitionReaderFactory = stream.createReaderFactory()  override lazy val inputRDD: RDD[InternalRow] = {    new DataSourceRDD(sparkContext, partitions, readerFactory, supportsColumnar)  }

有三个地方，第一个是重写Seq[InputPartition]，调用stream的planInputPartitions方法，注意下这里的stream类型是MicroBatchStream；第二个是重写readerFactory，获得读取器工厂类；第三个重写是inputRDD，创建DataSourceRDD作为inputRDD，而前两步重写的Seq[InputPartition]和readerFactory作为DataSourceRDD的构造参数。

这里首先大概看下DataSourceRDD的功能是什么。

DataSourceRDD这个类的代码很短，很容易看清楚。最重要的就是compute方法，先给出全部代码：

override def compute(split: Partition, context: TaskContext): Iterator[InternalRow] = {    val inputPartition = castPartition(split).inputPartition    val reader: PartitionReader[_] = if (columnarReads) {      partitionReaderFactory.createColumnarReader(inputPartition)    } else {      partitionReaderFactory.createReader(inputPartition)    }    context.addTaskCompletionListener[Unit](_ => reader.close())    val iter = new Iterator[Any] {      private[this] var valuePrepared = false      override def hasNext: Boolean = {        if (!valuePrepared) {          valuePrepared = reader.next()        }        valuePrepared      }      override def next(): Any = {        if (!hasNext) {          throw new java.util.NoSuchElementException("End of stream")        }        valuePrepared = false        reader.get()      }    }    // TODO: SPARK-25083 remove the type erasure hack in data source scan    new InterruptibleIterator(context, iter.asInstanceOf[Iterator[InternalRow]])  }

先根据读取器工厂类创建一个PartitionReader，然后调用PartitionReader的get方法获取数据。就是这么简单了！

ContinuousScanExec

最后再看下ContinuousScanExec的定义。

override lazy val partitions: Seq[InputPartition] = stream.planInputPartitions(start)  override lazy val readerFactory: ContinuousPartitionReaderFactory = {    stream.createContinuousReaderFactory()  }  override lazy val inputRDD: RDD[InternalRow] = {    EpochCoordinatorRef.get(      sparkContext.getLocalProperty(ContinuousExecution.EPOCH_COORDINATOR_ID_KEY),      sparkContext.env)      .askSync[Unit](SetReaderPartitions(partitions.size))    new ContinuousDataSourceRDD(      sparkContext,      sqlContext.conf.continuousStreamingExecutorQueueSize,      sqlContext.conf.continuousStreamingExecutorPollIntervalMs,      partitions,      schema,      readerFactory.asInstanceOf[ContinuousPartitionReaderFactory])  }

和微批处理模式MicroBatchScanExec类似，也有三个地方重写，第一个是重写Seq[InputPartition]，调用stream的planInputPartitions方法，注意下这里的stream类型是ContinuousStream；第二个是重写readerFactory，获得读取器工厂类ContinuousPartitionReaderFactory；第三个重写是inputRDD，创建ContinuousDataSourceRDD作为inputRDD，而前两步重写的Seq[InputPartition]和readerFactory作为ContinuousDataSourceRDD的构造参数。

这里首先大概看下ContinuousDataSourceRDD的功能是什么。

ContinuousDataSourceRDD的代码和DataSourceRDD的基本差不多，直接看源码吧，这里就不细说了，也没啥好细说的，显得啰里啰唆。

对于Kafka来说，ContinuousDataSourceRDD和DataSourceRDD其实最终是一样的

"DataSourceV2流处理方法是什么"的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注网站，小编将为大家输出更多高质量的实用文章！