Inscrever-se no Google Pub/Sub - Azure Databricks

Artigo
05/15/2024

O Azure Databricks fornece um conector interno para assinar o Google Pub/Sub no Databricks Runtime 13.3 LTS e superior. Este conector fornece semântica de processamento exatamente uma vez para registros do assinante.

Nota

Pub/Sub pode publicar registros duplicados e os registros podem chegar ao assinante fora de ordem. Você deve escrever o código do Azure Databricks para lidar com registros duplicados e fora de ordem.

Exemplo de sintaxe

O exemplo de código a seguir demonstra a sintaxe básica para configurar um Structured Streaming lido de Pub/Sub:

val authOptions: Map[String, String] =
  Map("clientId" -> clientId,
      "clientEmail" -> clientEmail,
      "privateKey" -> privateKey,
      "privateKeyId" -> privateKeyId)

val query = spark.readStream
  .format("pubsub")
  // we will create a Pubsub subscription if none exists with this id
  .option("subscriptionId", "mysub") // required
  .option("topicId", "mytopic") // required
  .option("projectId", "myproject") // required
  .options(authOptions)
  .load()

Para obter mais opções de configuração, consulte Configurar opções para leitura de streaming Pub/Sub.

Configurar o acesso a Pub/Sub

A Databricks recomenda o uso de segredos ao fornecer opções de autorização. As seguintes opções são necessárias para autorizar uma conexão:

clientEmail
clientId
privateKey
privateKeyId

A tabela a seguir descreve as funções necessárias para as credenciais configuradas:

Funções	Obrigatório ou opcional	Como é utilizado
`roles/pubsub.viewer` ou `roles/viewer`	Necessário	Verifique se existe uma subscrição e obtenha uma subscrição
`roles/pubsub.subscriber`	Necessário	Buscar dados de uma assinatura
`roles/pubsub.editor` ou `roles/editor`	Opcional	Permite a criação de uma assinatura, caso não exista, e também permite o `deleteSubscriptionOnStreamStop` uso da para excluir assinaturas na terminação de fluxo

Esquema Pub/Sub

O esquema para o fluxo corresponde aos registros que são buscados de Pub/Sub, conforme descrito na tabela a seguir:

Campo	Type
`messageId`	`StringType`
`payload`	`ArrayType[ByteType]`
`attributes`	`StringType`
`publishTimestampInMillis`	`LongType`

Configurar opções para leitura de streaming Pub/Sub

A tabela a seguir descreve as opções suportadas para Pub/Sub. Todas as opções são configuradas como parte de uma leitura de Streaming Estruturado usando .option("<optionName>", "<optionValue>") sintaxe.

Nota

Algumas opções de configuração Pub/Sub usam o conceito de buscas em vez de microlotes. Isso reflete os detalhes internos da implementação, e as opções funcionam de forma semelhante aos corolários em outros conectores de Streaming Estruturado, exceto que os registros são buscados e, em seguida, processados.

Opção	Valor predefinido	Description
`numFetchPartitions`	Defina como metade do número de executores presentes na inicialização do fluxo.	O número de tarefas paralelas do Spark que buscam registros de uma assinatura.
`deleteSubscriptionOnStreamStop`	`false`	Se `true`o , a assinatura passada para o fluxo for excluída quando o trabalho de streaming terminar.
`maxBytesPerTrigger`	nenhum	Um limite suave para o tamanho do lote a ser processado durante cada microlote acionado.
`maxRecordsPerFetch`	1000	O número de registros a serem buscados por tarefa antes de processar registros.
`maxFetchPeriod`	10 segundos	A duração do tempo para cada tarefa a ser buscada antes de processar registros. O Databricks recomenda o uso do valor padrão.

Semântica incremental de processamento em lote para Pub/Sub

Você pode usar Trigger.AvailableNow para consumir registros disponíveis das fontes Pub/Sub um lote incremental.

O Azure Databricks registra o carimbo de data/hora quando você inicia uma leitura com a Trigger.AvailableNow configuração. Os registros processados pelo lote incluem todos os dados obtidos anteriormente e quaisquer registros recém-publicados com um carimbo de data/hora menor do que o carimbo de data/hora de início do fluxo gravado.

Consulte Configurando o processamento incremental em lote.

Monitoramento de métricas de streaming

As métricas de progresso do Streaming estruturado relatam o número de registros buscados e prontos para processar, o tamanho dos registros buscados e prontos para processar e o número de duplicatas vistas desde o início do fluxo. Segue-se um exemplo destas métricas:

"metrics" : {
  "numDuplicatesSinceStreamStart" : "1",
  "numRecordsReadyToProcess" : "1",
  "sizeOfRecordsReadyToProcess" : "8"
}

Limitações

A execução especulativa (spark.speculation) não é suportada com Pub/Sub.

Partilhar via