首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

spark structured streaming和batch的接收器相同吗?

Spark Structured Streaming和批处理的接收器是不同的。

Spark Structured Streaming是一种基于Spark SQL引擎的流式处理框架,它允许以类似于批处理的方式处理连续的数据流。它提供了一种高级API,可以将流数据视为连续的表,并使用SQL查询、DataFrame和Dataset API进行处理。Structured Streaming支持事件时间和处理时间,并提供了容错和Exactly-Once语义。

批处理是一种离线处理方式,它将数据分成一批一批的进行处理。批处理的接收器通常是从文件系统、数据库或其他数据源中读取一批数据,并将其加载到Spark中进行处理。批处理的特点是数据有限且静态,处理过程是离线的。

因此,Spark Structured Streaming和批处理的接收器是不同的。Structured Streaming接收器可以从各种数据源(如Kafka、Flume、HDFS等)读取连续的数据流,而批处理接收器通常从静态的数据源(如文件系统、数据库等)读取一批数据。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

Structured Streaming | Apache Spark中处理实时数据的声明式API

随着实时数据的日渐普及,企业需要流式计算系统满足可扩展、易用以及易整合进业务系统。Structured Streaming是一个高度抽象的API基于Spark Streaming的经验。Structured Streaming在两点上不同于其他的Streaming API比如Google DataFlow。 第一,不同于要求用户构造物理执行计划的API,Structured Streaming是一个基于静态关系查询(使用SQL或DataFrames表示)的完全自动递增的声明性API。 第二,Structured Streaming旨在支持端到端实时的应用,将流处理与批处理以及交互式分析结合起来。 我们发现,在实践中这种结合通常是关键的挑战。Structured Streaming的性能是Apache Flink的2倍,是Apacha Kafka 的90倍,这源于它使用的是Spark SQL的代码生成引擎。它也提供了丰富的操作特性,如回滚、代码更新、混合流\批处理执行。 我们通过实际数据库上百个生产部署的案例来描述系统的设计和使用,其中最大的每个月处理超过1PB的数据。

02

是时候放弃 Spark Streaming, 转向 Structured Streaming 了

正如在之前的那篇文章中 Spark Streaming 设计原理 中说到 Spark 团队之后对 Spark Streaming 的维护可能越来越少,Spark 2.4 版本的 [Release Note](http://spark.apache.org/releases/spark-release-2-4-0.html) 里面果然一个 Spark Streaming 相关的 ticket 都没有。相比之下,Structured Streaming 有将近十个 ticket 说明。所以各位同学,是时候舍弃 Spark Streaming 转向 Structured Streaming 了,当然理由并不止于此。我们这篇文章就来分析一下 Spark Streaming 的不足,以及Structured Streaming 的设计初衷和思想是怎么样的。文章主要参考今年(2018 年)sigmod 上面的这篇论文:Structured Streaming: A Declarative API for Real-Time

02
领券