滤波器mapWithState火花流部分重复

Question

我们有一个DSTREAM，如

val ssc = new StreamingContext(sc, Seconds(1))

val kS = KafkaUtils.createDirectStream[String, TMapRecord](
  ssc,
  PreferConsistent,
  Subscribe[String, TMapRecord](topicsSetT, kafkaParamsInT)).
  mapPartitions(part => {
    part.map(_.value())
  }).
  mapPartitions(part1 => {
    part1.map(c => {
      TMsg(1,
        c.field1,
        c.field2, //And others
        c.startTimeSeconds
      )
    })
  })

因此，每个RDD有一些（技术）重点领域，我可以使用dediplicate DSTREAM一堆TMsg对象。基本上，如果我们有二合一TMSG对象或两次与同一field1和field2离散RDDS，他们不到1秒（我们期待在startTimeSeconds）不同，它是一个副本。

我看了看mapWithState。是的，我可以创造ķ> - V DSTREAM像

val mappedStream = kS.map(m => (m.field1, m.field2) -> m.startTimeSeconds)

因此，我可以使用的功能，但不明白我怎么可以用它来过滤重复。

窗口功能可忍不住了，因为解决方案是写在DStreams我不能使用（结构化流）.deduplicate功能。

任何解决方案？谢谢

附：星火版本是2.2

Answer 1

你可以使用mapWithState。这是一个很好manual how to use Stateful Streaming。你的情况，你可以：

1.设置检查点：

val ssc = new StreamingContext(sc, Seconds(1))
ssc.checkpoint("path/to/persistent/storage")

2.Define更新功能：

def update(key: (String, String),
           value: Option[Int],
           state: State[Int]): Option[((String, String), Int)] = {
  (value, state.getOption()) match {
    case (Some(_), Some(_)) => None
    case (Some(v), _) =>
      # you can update your state in any value you want
      # it is just a marker that value not new
      state.update(value.get)
      Option((key, v))
    case (_, _) if state.isTimingOut() => None
  }
}

3.Make状态规格：

val stateSpec =
  StateSpec
    .function(update _)
    # it is important to define how long 
    # you want to check duplication
    # in this example check interval is 1 second.
    .timeout(Seconds(1))

4.使用它：

ks
  # make key->value pairs
  .map(m => (m.field1, m.field2) -> m.startTimeSeconds)
  .mapWithState(stateSpec)

如果你想利用最后的值来代替，更新功能可能是：

  def update(key: (String, String),
                       value: Option[Int],
                       state: State[Int]): Option[((String, String), Int)] = {
    (value, state.getOption()) match {
      case (Some(_), Some(_)) => None
      case (Some(v), _) =>
        state.update(value.get)
        None
      case (_, _) if state.isTimingOut() => Option((key, value.get))
    }
  }