Spark流式读取文件数据

流式读取文件数据

from pyspark.sql import SparkSession

ss = SparkSession.builder.getOrCreate()

# todo 注意1：流式读取目录下的文件 --》一定一定要是目录，不是具体的文件，

#       目录下产生新文件会进行读取

# todo 注意点2：csv和JSON必须指定schema   以前的JSON文件是不要指定

df_csv = ss.readStream.csv(‘hdfs://node1:8020/目录’)
df_json = ss.readStream.json(‘hdfs://node1:8020/目录’)

# todo 每个options都不一样

options2 ={
‘host’:‘192.168.88.100’,
‘port’:9999
}

options={
# 每个批次读取1个文件
‘maxFilesPerTrigger’:1,
‘latestFirst’:‘true’
}

df_json.writeStream.start(format=‘console’,outputMode=‘complete’).awaitTermination()

流式读取文件的注意点

删除已经处理的文件（文件一）
你修改了文件一的内容，不修改文件名，你再次上传会发现它不去读取
但是你不修改文件内容，修改文件名，你再上传会发现它还会去读取

场景：某天你上传一个文件，发现它不做任何读取和处理，你需要考虑，这个文件名以前是否处理过了。

文件的读取方式在实际开发中用的比较少，每生产一条数据，就要生成一个文件（单单正对流处理）
但是，如果将多条数据收集之后同一写入文件，那就变成了和批处理方式一样的开发

文件读取数据的参数指定

当spark读不过来的时候，可以调整latestFirst，设置为True就会处理最新的文件

true时，就会将所有相同文件名认定为同一个文件，不管全部路径是否相同，这就涉及到相同的路径不会连续处理 上面刚说的