无服务器计算中的流式处理

本页介绍如何为Azure Databricks上的无服务器流式处理工作负荷选择正确的配置，包括连续管道、增量引入和托管连接器。 选择正确的配置取决于流的源、形状和延迟需求。

什么算作流式工作负载

流式处理工作负载从源（例如云对象存储、消息总线或变更馈送）读取无界数据，并以增量方式将数据写入接收端。 Azure Databricks支持两种流式处理工作负荷模式：

• 连续：一种持续运行且不会停止的管道，会在新数据到达时进行处理。 延迟以秒为单位。
• 增量 （也称为触发）：按计划或触发器运行的管道，处理自上次运行以来到达的所有数据，然后停止。 延迟以分钟为单位进行度量。

某些工作负载看起来像是流式管道，但严格来说并不是真正的管道。 示例包括：保持 WebSocket 连接处于打开状态以侦听事件的服务、为每个用户维持持久连接的聊天应用程序，或处理传入 HTTP 请求的 Webhook 接收器。 这些是应用程序，不是流处理管道。 有关这些工作负载适用的无服务器选项，请参阅 非流式传输管道的工作负载。

选择正确的流式处理配置

此表将用例映射到最适合它们的无服务器配置。 本页上的各节提供了有关这些建议的更多详细信息。

持续流式传输

对于无服务器计算上的连续流式处理，请使用连续模式下的 Lakeflow Spark 声明性管道。 数据管道会持续运行，在记录到达时进行处理，并在发生故障后自动恢复。

若要配置连续流，请：

• 将管道配置为无服务器。 请参阅 配置无服务器管道。
• 将管道模式设置为连续。 请参阅触发与连续管道模式。
• 对增量维护的输出结果，使用 流式表。

基于时间的结构化流触发器（例如 Trigger.ProcessingTime(interval) 和 Trigger.Continuous(interval)）在无服务器笔记本或作业中不可用。 对于始终在线的模式，请使用连续模式下的 Lakeflow Spark 声明性管道。 请参阅 流式处理限制。 支持 Trigger.Once()，但已弃用——请将现有查询迁移到 Trigger.AvailableNow()。

增量和触发式流式处理

对于增量流式处理，请在无服务器作业中使用 Trigger.AvailableNow() 运行 Structured Streaming。 每次运行都会处理自上次检查点之后到达的所有数据，然后退出。

若要将无服务器作业配置为使用增量流式处理，请执行以下操作：

• 按所需的节奏安排作业。 请参阅按计划运行作业。
• 在该作业中的每个流式查询上使用 Trigger.AvailableNow()。 请参阅配置结构化流式处理触发器间隔。
• 使用 maxFilesPerTrigger 或 maxBytesPerTrigger 调整批处理大小，以使内存占用保持可预测。 请参阅 无服务器计算的最佳做法。

以下示例使用自动加载程序从云存储（source_path）读取新文件，处理运行时可用的所有数据，以及写入 Delta 表：

(spark.readStream
   .format("cloudFiles")
   .option("cloudFiles.format", "json")
   .option("cloudFiles.maxFilesPerTrigger", 1000)
   .load(source_path)
   .writeStream
   .trigger(availableNow=True)
   .option("checkpointLocation", checkpoint_path)
   .toTable("catalog.schema.target_table"))

当可以接受分钟级延迟时，计划的 Trigger.AvailableNow() 作业是无服务器计算上最具成本效益的流式处理模式。 计算以秒为单位启动，运行批处理并关闭。

托管引入

如果源是 SaaS 应用程序或操作数据库，请使用 Lakeflow Connect，而不是编写结构化流代码。 Lakeflow Connect 为 Salesforce、Workday、SQL Server CDC 和 PostgreSQL CDC 等连接器运行无服务器引入管道。 请参阅 Lakeflow Connect 中的托管连接器。

以下情况下，此路径是正确的答案：

• 有一个适用于您的源的连接器。
• 需要托管管道，而不是自定义代码。
• 您需要开箱即用的架构演变、沿袭和监控。

SQL 托管的增量数据处理

对于以 SQL 为主的团队，可使用 流式表 处理原生 SQL 流式工作负载。 可以在 Lakeflow Spark 声明性管道内定义流式处理表，也可以定义为 独立的流式处理表。

对于使用 CREATE OR REFRESH STREAMING TABLE SQL 语句创建的独立流式处理表，初始数据刷新和填充会立即开始。 系统会自动为每个流式处理表创建和管理专用无服务器管道。

如果您需要具有受管刷新的批量语义查询结果，请改用物化视图。 请参阅 具体化视图。

非流式管道的工作负载

需要保留长时间连接、侦听端口或响应传入 HTTP 请求的工作负荷不是流式处理管道;它是一个应用程序。 不要在无服务器作业上运行这些工作负荷。 正确的 Databricks 选项包括：

• 需要持久连接或 HTTP 终结点的长时间运行的服务：使用 Databricks Apps 生成服务。 Databricks Apps 是用于在 Azure Databricks 上托管自定义应用程序的无服务器平台，包括 FastAPI、Flask、Streamlit、Dash、Gradio、Node.js和 Shiny 应用。 请参阅 Databricks 应用。
• 传入 Webhook 或事件侦听器：在 Databricks 应用上公开 HTTP 终结点，或在外部服务中终止 Webhook 并将事件写入云存储或消息总线，然后通过无服务器流式管道拾取它们。
• 自定义令牌或凭据交换：将 服务主体 与 OAuth 配合使用，或从应用调用 Databricks REST API 。 流式处理管道不保存每个用户会话或自定义令牌状态。

如果要评估工作负荷是否适合流式处理管道，请询问：

• 工作负载是否从无界数据源读取并写入接收器？ 如果是，则是流式管道。
• 工作负荷是否需要与客户端保持连接？ 如果是，则为应用程序;使用 Databricks 应用。

局限性

无服务器计算有以下流式处理约束。 它们在与合适的产品搭配使用时，都不会妨碍上述工作负载。

• 基于时间的 Structured Streaming 触发器（Trigger.ProcessingTime(interval) 和 Trigger.Continuous(interval)）在无服务器笔记本或作业中不受支持。 对于始终在线的流，请使用连续模式下的 Lakeflow Spark 声明性管道，或 Trigger.AvailableNow() 用于触发式运行。 请参阅 流式处理限制。
• 未显式指定触发器的流式查询会因 INFINITE_STREAMING_TRIGGER_NOT_SUPPORTED 而失败。 Apache Spark 默认使用 Trigger.ProcessingTime("0 seconds")，而无服务器计算不支持该设置。 始终为每个流式查询设置 Trigger.AvailableNow()，或者使用连续模式下的 Lakeflow Spark 声明性管道。
• 标准访问模式上流式传输的所有限制也适用于无服务器计算。 请参阅 流式处理限制。

后续步骤

• 配置 无服务器管道
• 在无服务器计算上运行 Lakeflow 作业
• 探索 Lakeflow Connect 中的托管连接器