update_flow

Important

update_flow API находится в общедоступной предварительной версии.

@dp.update_flow Используйте декоратор для создания потока обновления. Потоки обновления записываются в приемники с помощью режима вывода обновления, создавая только строки, которые изменились в каждом пакете. В отличие от потоков добавления, они поддерживают агрегирование с отслеживанием состояния без необходимости подложки.

Потоки обновления могут использовать только целевые приемники. Разностные таблицы не поддерживаются.

Syntax

from pyspark import pipelines as dp

dp.create_sink("<sink-name>", "<format>", {"<key>": "<value>"})

@dp.update_flow(
  target = "<sink-name>",
  name = "<flow-name>", # optional, defaults to function name
  spark_conf = {"<key>" : "<value>", "<key>" : "<value>"}, # optional
  comment = "<comment>", # optional
  import_checkpoint = "<checkpoint-path>") # optional
def <function-name>():
  return (<streaming-query>)

Parameters

Parameter	Тип	Description
function	function	Обязательно. Функция, возвращающая кадр данных потоковой передачи Apache Spark из определяемого пользователем запроса.
target	str	Обязательно. Имя приемника, в который записывается поток.
name	str	Имя потока. Если этот параметр не указан, по умолчанию используется имя функции.
comment	str	Описание потока.
spark_conf	dict	Дикт конфигураций Spark для выполнения этого запроса. Эти конфигурации переопределяют конфессии для назначения, конвейера или кластера.
import_checkpoint	str	Внешний путь контрольной точки для импорта перед запуском потока. Импортированный только один раз, когда каталог контрольных точек потока еще не существует.

Примеры

Агрегирование в приемник Kafka

Запись результатов агрегирования с отслеживанием состояния в приемник Kafka:

from pyspark import pipelines as dp
from pyspark.sql.functions import col

dp.create_sink("event_counts_sink", "kafka", {
    "kafka.bootstrap.servers": broker_address,
    "topic": output_topic,
})

@dp.update_flow(
    name="event_counts_flow",
    target="event_counts_sink",
)
def event_counts():
    return (
        spark.readStream
            .format("kafka")
            .option("kafka.bootstrap.servers", broker_address)
            .option("subscribe", input_topic)
            .load()
            .selectExpr("CAST(key AS STRING) AS event_type")
            .groupBy(col("event_type"))
            .count()
    )

Режим реального времени

Используйте spark_conf для настройки потока обновления для режима реального времени:

from pyspark import pipelines as dp

dp.create_sink("my_kafka_sink", "kafka", {
    "kafka.bootstrap.servers": broker_address,
    "topic": output_topic,
})

@dp.update_flow(
    name="my_rtm_flow",
    target="my_kafka_sink",
    spark_conf={
        "pipelines.trigger": "RealTime",
        "pipelines.trigger.interval": "5 minutes",
    }
)
def my_real_time_flow():
    return (
        spark.readStream
            .format("kafka")
            .option("kafka.bootstrap.servers", broker_address)
            .option("subscribe", input_topic)
            .load()
    )

Ограничения

• Приемники разностных таблиц не поддерживаются в качестве целевых объектов для потоков обновления.