我有两个笔记本。第一个笔记本正在使用 tweepy 从 twitter 读取推文并将其写入套接字。其他笔记本正在使用 Spark 结构化流（Python）从该套接字读取推文并将其结果写入控制台。不幸的是我没有在 jupyter 控制台上得到输出。代码在 pycharm 上运行良好。

spark = SparkSession \
    .builder \
    .appName("StructuredStreaming") \
    .getOrCreate()
spark.sparkContext.setLogLevel("ERROR")

# This is Spark Structured Streaming Code which is reading streams from twitter and showing them on console.
tweets = spark \
    .readStream \
    .format("socket") \
    .option("host", "127.0.0.1") \
    .option("port", 7000) \
    .load()

query = tweets \
    .writeStream \
    .option("truncate", "false") \
    .outputMode("append") \
    .format("console") \
    .start()

query.awaitTermination()

我不确定 Jupyter Notebook 是否可以实现这一点。但是，您可以使用内存输出来实现类似的结果。这很简单在complete模式，但可能需要一些更改append.

For the complete mode

In a complete输出模式，您的查询应该大致如下所示：

query = tweets \
    .writeStream \
    .outputMode("complete") \
    .format("memory") \
    .queryName("your_query_name") \
    .start()

请注意，没有query.awaitTermination()在最后。 现在，查询your_query_name另一个单元格中的临时表，并根据需要观察不断更新的结果：

from IPython.display import display, clear_output

while True:
    clear_output(wait=True)
    display(query.status)
    display(spark.sql('SELECT * FROM your_query_name').show())
    sleep(1)

For the append mode

如果您想使用append输出模式，你必须使用水印。您也将无法使用聚合，因此您的代码可能需要进行一些进一步的更改。

query = tweets \
    .withWatermark("timestampColumn", "3 minutes")
    .writeStream \
    .outputMode("append") \
    .format("memory") \
    .queryName("your_query_name") \
    .start()

显示代码保持不变。 您还可以展示query.lastProgress以类似的方式获取更详细的信息。

灵感和参考

• 如何从 Zeppelin 中的控制台流接收器获取输出？ https://stackoverflow.com/questions/47357418/how-to-get-the-output-from-console-streaming-sink-in-zeppelin
• 覆盖 jupyter 笔记本中以前的输出 https://stackoverflow.com/questions/38540395/overwrite-previous-output-in-jupyter-notebook