Spark Streaming处理File Streams

- 日理万妓 2024-02-19 16:30 51阅读 0赞

**File Streams**  
官网：[http://spark.apache.org/docs/latest/streaming-programming-guide.html][http_spark.apache.org_docs_latest_streaming-programming-guide.html]  
File Streams文件流  
**Streaming文件是moving过来的**

### IDEA源码： ###

/**
       * Create an input stream that monitors a Hadoop-compatible filesystem
       * for new files and reads them using the given key-value types and input format.
       * Files must be written to the monitored directory by "moving" them from another
       * location within the same file system. File names starting with . are ignored.

没有jop0一直在跑的  
File streams do not require running a receiver so there is no need to allocate(分配) any cores for receiving file data.

文件流不需要运行一个接收机,所以不需要分配(分配)任何核心接收文件数据。

ssc.textFileStream("hsfs://hadoop:8020/spark/log")

**这里要注意：**  
时间一：本应用程序启动的时间  
时间二：指定hafs上的目录下的文件的时间  
默认是只会读取时间一》时间二的时间  
如果你文件的时间在启动时间之后，不好意思 不认  
**因为：**  
A file is considered part of a time period based on its modification(修改) time, not its creation(创造) time.  
如果你启动之后，放进去的数据，启动之后的你创建的数据是没有问题的，如果你的数据文件的时间在你启动之前，这个数据是不认的  
文件这种处理方式是不实用的，因为这种偏移量很难搞定，生产上可以用，但是不比kafka，需要各种各样的东西，自己来维护  
**我们原来怎么办**，  
都是把你处理以后把你的时间，丢到一个集合里面去，代码里面把这个偏移量管理起来，当你挂掉以后，从这里面来取

[http_spark.apache.org_docs_latest_streaming-programming-guide.html]: http://spark.apache.org/docs/latest/streaming-programming-guide.html