上下文： 我正在使用 Apache Spark 从日志中汇总不同事件类型的运行计数。日志存储在 Cassandra 中用于历史分析目的和 Kafka 中用于实时分析目的。每个日志都有一个日期和事件类型。为简单起见，假设我想跟踪每天单一类型的日志数量。
我们有两个 RDD，一个来自 Cassandra 的批处理数据 RDD，另一个来自 Kafka 的流式 RDD。伪代码：
CassandraJavaRDD<CassandraRow> cassandraRowsRDD = CassandraJavaUtil.javaFunctions(sc).cassandraTable(KEYSPACE, TABLE).select("date", "type");
JavaPairRDD<String, Integer> batchRDD = cassandraRowsRDD.mapToPair(new PairFunction<CassandraRow, String, Integer>() {
@Override
public Tuple2<String, Integer> call(CassandraRow row) {
return new Tuple2<String, Integer>(row.getString("date"), 1);
}
}).reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer count1, Integer count2) {
return count1 + count2;
}
});
save(batchRDD) // Assume this saves the batch RDD somewhere
...
// Assume we read a chunk of logs from the Kafka stream every x seconds.
JavaPairReceiverInputDStream<String, String> kafkaStream = KafkaUtils.createStream(...);
JavaPairDStream<String, Integer> streamRDD = kafkaStream.flatMapToPair(new PairFlatMapFunction<Tuple2<String, String>, String, Integer>() {
@Override
public Iterator<Tuple2<String, Integer> call(Tuple2<String, String> data) {
String jsonString = data._2;
JSON jsonObj = JSON.parse(jsonString);
Date eventDate = ... // get date from json object
// Assume startTime is broadcast variable that is set to the time when the job started.
if (eventDate.after(startTime.value())) {
ArrayList<Tuple2<String, Integer>> pairs = new ArrayList<Tuple2<String, Integer>>();
pairs.add(new Tuple2<String, Integer>(jsonObj.get("date"), 1));
return pairs;
} else {
return new ArrayList<Tuple2<String, Integer>>(0); // Return empty list when we ignore some logs
}
}
}).reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer count1, Integer count2) {
return count1 + count2;
}
}).updateStateByKey(new Function2<List<Integer>, Optional<List<Integer>>, Optional<Integer>>() {
@Override
public Optional<Integer> call(List<Integer> counts, Optional<Integer> state) {
Integer previousValue = state.or(0l);
Integer currentValue = ... // Sum of counts
return Optional.of(previousValue + currentValue);
}
});
save(streamRDD); // Assume this saves the stream RDD somewhere
sc.start();
sc.awaitTermination();
问题：
如何将 streamRDD 的结果与 batchRDD 结合起来？
假设batchRDD具有以下数据，并且该作业于 2014-10-16 运行：
("2014-10-15", 1000000)
("2014-10-16", 2000000)
由于 Cassandra 查询只包含到批量查询开始时间之前的所有数据，因此我们必须在查询完成时从 Kafka 读取，只考虑作业开始时间之后的日志。我们假设查询需要很长时间。这意味着我需要将历史结果与流结果结合起来。
举例说明：
|------------------------|-------------|--------------|--------->
tBatchStart tStreamStart streamBatch1 streamBatch2
然后假设在第一个流批次中我们得到了这个数据：
("2014-10-19", 1000)
然后我想将批处理 RDD 与此流 RDD 组合，以便流 RDD 现在具有值：
("2014-10-19", 2001000)
然后假设在第二批流中我们得到了这个数据：
("2014-10-19", 4000)
然后应该更新流 RDD 以具有以下值：
("2014-10-19", 2005000)
等等...
可以使用streamRDD.transformToPair(...)a 将 streamRDD 数据与 batchRDD 数据结合起来join，但如果我们对每个流块执行此操作，那么我们将为每个流块添加来自 batchRDD 的计数，从而使状态值“双重计数”，当它应该只添加到第一个流块中。