旧的选集围绕着当时作为期刊或期刊的主题，对不同作者的稿件进行了整理。然而，较新的选集包括多种表达方式，现在数字化为电子书或博客。两者都对主题进行了阐述。无论其形式如何，它们都提供了一个集中内容的单一来源。在这本选集中，我们收集了一系列视频、技术博客、播客和文章，这些内容集中在ApacheSpark的结构化流媒体上。Spark Summit 2017主题演讲：Apache Spark 2.2和结构化流媒体演示Databricks的首席技术专家mateizaharia感谢社区的贡献，并宣布结构化流媒体已经准备好投入生产。ApacheSpark2.2中使用结构化流处理简单、可伸缩、容错的流在不到10行的代码中，您可以从apachekafka读取流，将JSON有效负载数据解析为单独的列，转换它，通过连接静态数据来丰富它，并将其写出一个表，以备批处理或特别查询。apachespark提交者和Databricks的工程师michaelarmbrust和如来田Das通过具体的例子讨论和演示了这一点。此外，他们还解释了允许基于事件时间的聚合、任意状态操作和使用事件时间水印的自动状态管理的功能。连续应用程序：ApacheSpark2.x中不断发展的流媒体去年，Databricks的首席技术专家mateizaharia分享了他对apachespark流媒体发展方向的展望：下一步是使用结构化流媒体的连续应用程序。apachespark中的结构化流：一种新的流媒体高级APIDatabricks的工程师和apachespark提交人Matei Zaharia、如来Das、Michael Armbrust和Reynold Xin阐述了为什么流应用程序难以编写，以及结构化流如何解决所有底层的复杂性。ApacheSpark2.1中使用结构化流的实时流ETL:Scalable Data@Databricks的第1部分Databricks的工程师如来达斯（TathagataDas）、迈克尔·阿姆布鲁斯特（MichaelArmbrust）和泰森·康迪（Tyson Condie）展示了如何在规模上利用实时数据进行流式ETL。在ApacheSpark2.1中使用结构化流处理复杂的数据格式：可伸缩数据@Databricks的第2部分向Databricks工程师和apachespark贡献者Burak Yavuz、Michael Armbrust、Tathagata Das和Tyson Condie学习如何使用结构化流处理复杂的嵌套数据格式。在apachespark2.2中用结构化流处理apachekafka中的数据：可伸缩数据@Databricks的第3部分Databricks的工程师和Spark的贡献者kunalkhamar、Tyson Condie和Michael Armbrust展示了如何使用apachespark2.2中的结构化流api从apachekafka读取流。apachespark结构化流中的事件时间聚合和水印：可伸缩数据@Databricks的第4部分如何使用简单的结构化流媒体API进行事件时间聚合和水印？Databricks工程师和Spark提交者如来达斯解释了如何。将apachespark的结构化流媒体投入生产：可伸缩数据@Databricks的第5部分如何确保结构化流媒体应用程序准备好投入生产。产品经理billchambers和apachespark提交人michaelarmbrust列出了关键步骤，使用简单的api发出警报并监视流查询状态。每天运行一次流作业以节省10倍的成本：可伸缩数据@Databricks的第6部分apachespark的贡献者burakyavuz和Tyson Condie演示了如何使用简单的api来控制和控制成本，比如在spark2.2中为结构化流添加的runonce触发器特性。您将获得Catalyst Optimizer的所有好处，它增加了您的工作负载，并节省了无空闲集群的成本。ApacheSpark结构化流中的任意状态处理：可伸缩数据@Databricks的第7部分Databricks产品经理billchambers和Spark社区布道者julesdamji演示了如何使用结构化流api进行定制和任意状态处理在apachespark的结构化流媒体中与apachekafka进行端到端的实时集成Databricks高级解决方案架构师Sunil Sitaula指导您完成与ApacheKafka的端到端集成，使用来自它的消息，执行简单到复杂的窗口ETL，并将所需的输出推送到各种接收器（如内存、控制台、文件、数据库），然后返回到Kafka本身。使apachespark成为最快的开源流引擎Databricks在结构化流媒体方面的领先者和Spark提交人michaelarmbrust反对为什么结构化流媒体比其他流媒体引擎是最快的开源引擎。ApacheSpark在Databricks上使用Amazon Kinesis的结构化流媒体：关于如何开始使用Kinesis连接器的快速指南Databricks的Spark社区布道者julesdamji概述了在Databricks运行时3.0上，在apachespark2.2中使用AWS Kinesis和结构化流的步骤。apachespark中结构化流中的任意有状态聚合在这个海湾地区的apachespark Meetup谈话中，Spark提交者和Databricks软件工程师burakyavuz详细介绍了如何使用结构化流式api来维护有状态聚合。ApacheSpark2.0引入了结构化流O'Reilly的首席数据科学家Ben Lorica与MichaelArmbrust坐在一起，讨论生活和结构化流媒体。Spark的结构化流媒体真正意味着什么Ion Pointer（InfoWorld的贡献者）主张为什么数据帧是Spark 2.0中ApacheSpark流的最佳选择，以及为什么结构化流有意义。ApacheSpark2.0将引入新的"结构化流"引擎Datanami与Databricks Matei Zaharia的首席技术专家和联合创始人坐下来讨论apachespark中结构化流的各个方面下一步是什么？您可能需要将此页面添加为书签，因为我们将在"结构化流媒体"系列文章的第7部分中对其进行更新。如果您想尝试这些资产中的一些笔记本电脑来探索Databricks Runtime 3.0上Spark 2.2的结构化流媒体功能，您可以注册免费试用。免费试用Databricks。今天就开始吧