Reparticionamento de estado sob demanda para consultas de streaming com estado

O reparticionamento de estado sob demanda permite redimensionar o número de partições de uma consulta com estado do Streaming Estruturado sem perder o estado do ponto de verificação.

Sem o reparticionamento de estado sob demanda, você define o número de partições aleatórias durante a criação do ponto de verificação. Se você alterar spark.sql.shuffle.partitions, as consultas com pontos de verificação existentes ignorarão o novo valor. A aplicação de uma nova contagem de partições exige que você reinicie a consulta com um novo ponto de verificação.

O reparticionamento de estado sob demanda tem os seguintes benefícios:

• Ajuste as consultas redimensionando o número de partições sem recriar o ponto de verificação.
• Dimensione as consultas para cima ou para baixo para corresponder às alterações de carga de trabalho.

Requisitos

• Databricks Runtime 18 e superiores.
• A consulta deve usar o provedor de repositório de estado do RocksDB. No DBR 17.3 ou superior, o RocksDB é o provedor de repositório de estado padrão. Confira Configurar o repositório de estado do RocksDB no Azure Databricks.

Alterar o número de partições

Use a configuração do Spark spark.sql.streaming.stateStore.partitions e reinicie a consulta para alterar o número de partições aleatórias e de estado de streaming:

Python

query.stop()
spark.conf.set("spark.sql.streaming.stateStore.partitions", "<numPartitions>")
query = df.writeStream.start()

Scala

query.stop()
spark.conf.set("spark.sql.streaming.stateStore.partitions", "<numPartitions>")
val query = df.writeStream.start()

Para consultas com estado, spark.sql.streaming.stateStore.partitions tem precedência sobre spark.sql.shuffle.partitions. Depois que a consulta for reiniciada e o último microlote planejado for concluído, a consulta executará uma operação de repartição para redistribuir dados de estado no novo número de partições. Após a conclusão da operação de repartição, a consulta retomará o processamento.

Monitorar o estado de repartição

Após a conclusão do próximo microlote, os eventos StreamingQueryProgress incluem a duração da operação de repartição. Nas métricas de durationMs um evento, controlBatch.REPARTITION mostra o valor da duração em milissegundos. Tamanhos de estado maiores podem aumentar o tempo de repartição. Consulte monitoramento de consultas de streaming estruturado no Azure Databricks.

Exemplo de streaming estruturado

O exemplo a seguir reduz uma consulta de 200, o padrão, para 100 partições aleatórias. Interrompa a consulta, defina a nova contagem de partições e reinicie:

Python

# Start the query with the default partition count (200)
query = (df
  .withWatermark("event_time", "10 minutes")
  .groupBy(
    window("event_time", "5 minutes"),
    "id")
  .count()
  .writeStream
  .format("delta")
  .option("checkpointLocation", "/checkpoint/path")
  .outputMode("append")
  .start()
)

# Stop the query and scale down to 100 partitions
query.stop()

spark.conf.set("spark.sql.streaming.stateStore.partitions", "100")

# Restart the query with the same options
query = (df
  .withWatermark("event_time", "10 minutes")
  .groupBy(
    window("event_time", "5 minutes"),
    "id")
  .count()
  .writeStream
  .format("delta")
  .option("checkpointLocation", "/checkpoint/path")
  .outputMode("append")
  .start()
)

Scala

// Start the query with the default partition count (200)
val query = df
  .withWatermark("event_time", "10 minutes")
  .groupBy(
    window($"event_time", "5 minutes"),
    $"id")
  .count()
  .writeStream
  .format("delta")
  .option("checkpointLocation", "/checkpoint/path")
  .outputMode("append")
  .start()

// Stop the query and scale down to 100 partitions
query.stop()

spark.conf.set("spark.sql.streaming.stateStore.partitions", "100")

// Restart the query with the same options
val query2 = df
  .withWatermark("event_time", "10 minutes")
  .groupBy(
    window($"event_time", "5 minutes"),
    $"id")
  .count()
  .writeStream
  .format("delta")
  .option("checkpointLocation", "/checkpoint/path")
  .outputMode("append")
  .start()

Exemplo de pipelines do Lakeflow

Em pipelines do Lakeflow, defina spark.sql.streaming.stateStore.partitions usando o parâmetro spark_conf no decorador @dp.table ou @dp.append_flow.

Defina partições em um fluxo:

from pyspark import pipelines as dp
from pyspark.sql import functions as F

source_path = "/databricks-datasets/iot-stream/data-device/"

dp.create_streaming_table("target_table")

@dp.append_flow(
  target="target_table",
  name="my_flow_1",
  spark_conf={"spark.sql.streaming.stateStore.partitions": "100"}
)
def my_flow_1():
  return (spark.readStream.format("cloudFiles")
    .option("cloudFiles.format", "json")
    .load(source_path)
    .withColumn("timestamp", F.to_timestamp("timestamp"))
    .withWatermark("timestamp", "10 minutes")
    .groupBy(F.window("timestamp", "5 minutes"), "id")
    .count())

Defina partições no nível da tabela para o fluxo padrão:

from pyspark import pipelines as dp
from pyspark.sql import functions as F

source_path = "/databricks-datasets/iot-stream/data-device/"

@dp.table(
  name="table_1",
  spark_conf={"spark.sql.streaming.stateStore.partitions": "100"}
)
def table_1():
  return (spark.readStream.format("cloudFiles")
    .option("cloudFiles.format", "json")
    .load(source_path)
    .withColumn("timestamp", F.to_timestamp("timestamp"))
    .withWatermark("timestamp", "10 minutes")
    .groupBy(F.window("timestamp", "5 minutes"), "id")
    .count())