Referenční informace k režimu v reálném čase

Podporované jazyky

Režim v reálném čase podporuje Scala, Java a Python.

Typy výpočetních prostředků

Režim v reálném čase podporuje následující typy výpočetních prostředků:

Typ výpočetních prostředků	Podporováno
Dedicated (dříve: jeden uživatel)	✓
Standard (dříve: sdíleno)	– (pouze Python)
Kanály Lakeflow v klasickém prostředí	Nepodporuje se jako strukturované streamování. Podporuje se prostřednictvím konfigurace kanálu. Viz Použití režimu v reálném čase v kanálech Lakeflow.
Kanály Lakeflow na bezserverové službě	Nepodporuje se jako strukturované streamování. Podporuje se prostřednictvím konfigurace kanálu. Viz Použití režimu v reálném čase v kanálech Lakeflow.
Serverless	Nepodporováno

V případě úloh citlivých na latenci s funkcemi definovanými uživatelem doporučuje Databricks používat vyhrazený režim přístupu. Viz Funkce tabulky.

Režimy provádění

Režim v reálném čase podporuje pouze režim aktualizace:

Režim spuštění	Podporováno
Režim aktualizace	✓
režim přidávání	Nepodporováno
Režim dokončení	Nepodporováno

Zdroje a jímky

Režim v reálném čase podporuje následující zdroje a jímky:

Zdroj nebo jímka	Jako zdroj	Jako jímka
Apache Kafka	✓	✓
Event Hubs (pomocí konektoru Kafka)	✓	✓
Kinesis	✓ (Doporučuje se režim EFO)	Nepodporováno
AWS MSK	✓	Nepodporováno
Delta	Nepodporováno	Nepodporováno
Google Pub/Sub (služba pro zasílání zpráv)	Nepodporováno	Nepodporováno
Apache Pulsear	Nepodporováno	Nepodporováno
Libovolné jímky (pomocí forEachWriter)	Není relevantní	✓

Operátoři

Režim v reálném čase podporuje většinu operátorů strukturovaného streamování:

Bezstavové operace

Operátor	Podporováno
Výběr	✓
Projekce	✓
mapPartitions	Nepodporováno (viz omezení)
Union	– (s určitými omezeními)

UDFs

Operátor	Podporováno
Scala UDF	– (s určitými omezeními)
Uživatelsky definovaná funkce v Pythonu	– (s určitými omezeními)

Aggregation

Function	Podporováno
součet	✓
počet	✓
max	✓
min	✓
avg	✓
Agregační funkce	✓

Windowing

Operátor	Podporováno
Tumbling	✓
Sliding	✓
Session	Nepodporováno

Deduplication

Operátor	Podporováno
odstraněníDuplicit	✓
OdstraněníDuplicitVeVodoznaku	✓

Připojení streamu k tabulce

Operátor	Podporováno
Vnitřní spojení	✓
Vnější spojení	✓
Spojení tabulky všesměrového vysílání (velikost tabulky 10 mb nebo menší)	✓
Spojení tabulky (bez vysílání)	Nepodporováno

Připojení streamu ke streamu

Operátor	Podporováno
Vnitřní spojení	– (Databricks Runtime 18 LTS a novější, s některými konfiguracemi)
Vnější spojení	Nepodporováno

Note

Pokud chcete stream použít ke streamování spojení v režimu v reálném čase, musíte nastavit další konfigurace Sparku. Další informace o konfiguracích a požadavcích na spouštění více datových proudů najdete v tématu Stream to stream joins.

Libovolný stavový operátor

Operátor	Podporováno
(plochý)MapGroupsWithState	Nepodporováno
transformWithState	– (s některými rozdíly)

Uživatelsky definované jímky

Dřez	Podporováno
forEach	✓
forEachBatch	Nepodporováno

Zvláštní aspekty

Některé operátory a funkce mají při použití v režimu v reálném čase specifické aspekty nebo rozdíly.

transformWithState v režimu v reálném čase

Pro vytváření vlastních stavových aplikací podporuje transformWithStateDatabricks rozhraní API ve strukturovaném streamování Apache Sparku. Viz Build a custom stateful application with pro transformWithState více informací o API a ukázkách kódu.

Rozhraní API se ale chová jinak v režimu v reálném čase než v dotazech mikrodávkové dávky.

• Režim v reálném čase volá metodu handleInputRows(key: String, inputRows: Iterator[T], timerValues: TimerValues) pro každý řádek.
  • inputRows Iterátor vrátí jednu hodnotu. Režim mikrodávkový ho volá pro každý klíč jednou a inputRows iterátor vrátí všechny hodnoty pro klíč v mikrodávce.
  • Při psaní kódu je potřeba počítat s tímto rozdílem.
• Časovače událostí nejsou podporovány v režimu v reálném čase.
• transformWithStateInPandas není podporován v režimu v reálném čase. Místo toho použijte rozhraní API založené na transformWithState řádcích, které místo datových rámců pandas používá Row objekty.
• V režimu v reálném čase jsou časovače zpožděné v závislosti na doručení dat:
  • Pokud je časovač naplánovaný na 10:00:00, ale nedorazí žádná data, časovač se neaktivuje okamžitě.
  • Pokud data přicházejí v 10:00:10, časovač se aktivuje se zpožděním 10 sekund.
  • Pokud žádná data nedorazí a dlouhotrvající dávka se chystá k ukončení, časovač se aktivuje před ukončením dávky.

Note

Pokud v Databricks Runtime 18.1 a níže použijete transformWithState a režim v reálném čase pro Python s nízkou propustností, méně než 5 záznamů za sekundu, může se zobrazit zvýšená latence až o několik set milisekund. Databricks doporučuje upgradovat na Databricks Runtime 18.2 a vyšší, aby se vyřešilo.

Python uživatelem v režimu v reálném čase

Databricks podporuje většinu Python uživatelem definovaných funkcí (UDF) v režimu v reálném čase:

Bezstavové

Typ UDF	Podporováno
Python skalární funkce definované uživatelem (Python skalární funkce definované uživatelem)	✓
Skalární UDF se šipkami	✓
Skalární UDF pandas (uživatelem definované funkce pandas)	✓
Funkce Šipková (mapInArrow)	✓
Funkce Pandas (Map)	✓

Stavové seskupení (UDAF)

Typ UDF	Podporováno
transformWithState (pouze Row rozhraní)	✓
transformWithStateInPandas	Nepodporováno. Místo toho použijte rozhraní API založené na transformWithState řádcích, které místo datových rámců pandas používá Row objekty. Podrobnosti nejsou transformWithStateInPandas podporované .
applyInPandasWithState	Nepodporováno

Nestavové seskupení (UDAF)

Typ UDF	Podporováno
apply	Nepodporováno
applyInArrow	Nepodporováno
applyInPandas	Nepodporováno

Tabulkové funkce

Typ UDF	Podporováno
UDTF (Python uživatelem definované funkce tabulek (UDTFs) )	Nepodporováno
UC UDF	Nepodporováno

Při použití Python uživatelem definovaných funkcí v režimu v reálném čase je potřeba vzít v úvahu několik bodů:

• Pokud chcete minimalizovat latenci, nastavte velikost dávky šipky (spark.sql.execution.arrow.maxRecordsPerBatch) na 1.
  • Kompromis: Tato konfigurace optimalizuje latenci na úkor propustnosti. U většiny úloh se toto nastavení doporučuje.
  • Zvětšete velikost dávky pouze tehdy, když je požadována vyšší propustnost, aby se přizpůsobilo množství vstupních dat, při přijetí potenciálního zvýšení latence.
• UDF a funkce Pandas nefungují dobře s velikostí dávky Arrow 1.
  • Pokud používáte UDF nebo funkce pandas, nastavte velikost dávky Arrow na vyšší hodnotu (například 100 nebo vyšší).
  • To znamená vyšší latenci. Databricks doporučuje použít funkci UDF nebo šipku, pokud je to možné.
• transformWithStateInPandas není podporován v režimu v reálném čase. Místo toho použijte rozhraní API založené na transformWithState řádcích, které místo datových rámců pandas používá Row objekty. Podívejte se na transformWithStateInPandas nepodporuje a příklady režimu Real-time pro funkční Python příklad s použitím rozhraní API založeného na řádcích.
• V případě úloh citlivých na latenci s funkcemi definovanými uživatelem doporučuje Databricks používat vyhrazený režim přístupu. V režimu standardního přístupu můžou režijní náklady na izolaci zabezpečení zpomalit výkon UDF.