pyspark之Structured Streaming file文件案例1

generate_file.py

生成数据 生成500个文件,每个文件1000条数据

生成数据格式:eventtime name province action ()时间 用户名 省份 动作)

import os

import time

import shutil

import time

FIRST_NAME = 'Zhao', 'Qian', 'Sun', 'Li', 'Zhou', 'Wu', 'Zheng', 'Wang'

SECOND_NAME = 'San', 'Si', 'Wu', 'Chen', 'Yang', 'Min', 'Jie', 'Qi'

PROVINCE = 'BeiJing', 'ShanDong', 'ShangHai', 'HeNan', 'HaErBin'

ACTION = 'login', 'logout', 'purchase'

PATH = "/opt/software/tmp/"

DATA_PATH = "/opt/software/tmp/data/"

初始化环境

def test_Setup():

if os.path.exists(DATA_PATH):

shutil.rmtree(DATA_PATH)

os.mkdir(DATA_PATH)

清理数据,恢复测试环境

def test_TearDown():

shutile.rmtree(DATA_PATH)

数据保存文件

def writeAndMove(filename,content):

with open(PATH+filename,'wt',encoding='utf-8') as f:

f.write(content)

shutil.move(PATH+filename,DATA_PATH+filename)

if name == 'main':

test_Setup()

for i in range(500):

filename = "user_action_{}.log".format(i)

"""

验证spark输出模式,complete和update,增加代码,第一个文件i=0时,设置PROVINCE = "TAIWAN"

"""

if i == 0:

province= 'TaiWan'

else:

province = PROVINCE

content = ""

for _ in range(1000):

content += "{} {} {} {}\n".format(str(int(time.time())),random.choice(FIRST_NAME)+random.choice(SECOND_NAME),random.choice(province),random.choice(ACTION))

writeAndMove(filename,content)

time.sleep(10)

spark_file_test.py

读取DATA文件夹下面文件,按照省份统计数据,主要考虑window情况,按照window情况测试,同时针对 outputMode和输出console和mysql进行考虑,其中保存到mysql时添加batch字段

from pyspark.sql import SparkSession,DataFrame

from pyspark.sql.functions import split,lit,from_unixtime

DATA_PATH = "/opt/software/tmp/data/"

if name == 'main':

spark = SparkSession.builder.getOrCreate()

lines = spark.readStream.format("text").option("seq","\n").load(DATA_PATH)

分隔符为空格

userinfo = lines.select(split(lines.value," ").alias("info"))

第一个为eventtime 第二个为name 第三个为province 第四个为action

userinfo'info'0等同于userinfo'info'.getIterm(0)

user = userinfo.select(from_unixtime(userinfo'info'0).alias('eventtime'),

userinfo'info'1.alias('name'),userinfo'info'2.alias('province'),

userinfo'info'3.alias('action'))

"""

测试1:数据直接输出到控制台,由于没有采用聚合,输出模式选择update

user.writeStream.outputMode("update").format("console").trigger(processingTime="8 seconds").start().awaitTermination()

"""

"""

测试2:数据存储到数据库,新建数据库表,可以通过printSchema()查看数据类型情况

def insert_into_mysql_batch(df:DataFrame,batch):

if df.count()>0:

此处将batch添加到df中,采用lit函数

data = df.withColumn("batch",lit(batch))

data.write.format("jdbc"). \

option("driver","com.mysql.jdbc.Driver"). \

option("url","jdbc:mysql://localhost:3306/spark").option("user","root").\

option("password","root").option("dbtable","user_log").\

option("batchsize",1000).mode("append").save()

else:

pass

user.writeStream.outputMode("update").foreachBatch((insert_into_mysql_batch)).trigger(processingTime="20 seconds").start().awaitTermination()

"""

"""

测试3:数据按照省份统计后,输出到控制台,分析complete和update输出模式区别,针对该问题,调整输入,province="TaiWan"只会输入1次,即如果输出方式complete,则每batch都会输出,update的话,只会出现在一个batch

userProvinceCounts = user.groupBy("province").count()

userProvinceCounts = userProvinceCounts.select(userProvinceCounts'province',userProvinceCounts"count".alias('sl'))

测试输出模式complete:complete将总计算结果都进行输出

"""

batch 0

TaiWan 1000

batch 1

TaiWan 1000

其他省份 sl

batch 2

TaiWan 1000

其他省份 sl

""" userProvinceCounts.writeStream.outputMode("complete").format("console").trigger(processingTime="20 seconds").start().awaitTermination()

测试输出模式update:update只输出相比上个批次变动的内容(新增或修改)

batch 0

TaiWan 1000

batch 1 中没有TaiWan输出

userProvinceCounts.writeStream.outputMode("complete").format("console").trigger(processingTime="20 seconds").start().awaitTermination()

"""

相关推荐
TechWayfarer39 分钟前
Cloudflare 9·15新政倒计时:用IP风险画像识别AI爬虫,防止误伤Googlebot
网络·人工智能·爬虫·python·tcp/ip·网络安全
剑之所向1 小时前
.NET 官方`System.Threading.Channels`
前端·javascript·数据库
禹凕1 小时前
滑动窗口算法实战指南
python·算法
词却1 小时前
数据库基础:DQL 数据查询语言
数据库·oracle
论文复现现场2 小时前
RTX 4090 24GB 能跑 Qwen3.8-27B 吗?单卡显存计算与云端部署指南
人工智能·python·云计算·llama·gpu算力
Patrick在香港2 小时前
模型路由器实测:12 个任务省 77%,旗舰过载时的降级要打出显式标记
python·llm·智能路由器·api·架构设计·成本优化
Looooking2 小时前
Python 之 jwt 令牌生成和校验
python·jwt
2601_962295993 小时前
嵌入式开发语言用哪个最好,C,python或者其他
c语言·python·嵌入式开发·开发效率·系统资源
昌原的儿子LEO3 小时前
Linux IO多路复用与SQLite数据库核心知识点总结
linux·数据库·oracle
菜鸡66663 小时前
绕过cf验证,部署 FlareSolverr 服务使用request处理
python·cloudflare