实现冷摄取路径的一种模式是使用事件中心捕获。EventHubs 捕获按照窗口参数的定义为每个分区写入一个文件。数据以 avro 格式编写，可以使用 Apache Spark 进行分析。
那么使用此功能的最佳实践是什么？
1.不要过度分区
我经常看到人们使用默认配置，这最终经常导致许多小文件。如果要使用 Spark 使用通过 EventHubs Capture 摄取的数据，请记住Azure Data Lake Store 中文件大小的最佳做法以及使用 Spark 的分区。文件大小应为 ~256 MB，分区大小应在 10 到 50 GB 之间。因此，最终配置取决于您正在使用的消息的数量和大小。在大多数情况下，您只需按摄取日期对数据进行分区就可以了。
2.勾选“不发出空文件选项”
您应该检查“不发出空文件选项”。如果你想用 Spark 消费数据，节省不必要的文件操作。
3. 在文件路径中使用数据源
使用流式架构，您的 EventHub 就像在面向批处理的架构方法中的着陆区一样。因此，您将在原始数据层中摄取数据。好的做法是在目录路径中使用数据源而不是 EventHub 的名称。因此，例如，如果您从工厂中的机器人获取遥测数据，这可能是目录路径/raw/robots/
存储命名需要使用 {Namesapce}、{PartitionId} 等所有属性。因此，最终，具有明确定义的路径、每日分区和使用 Azure Data Lake Gen 2 中文件名的剩余属性的良好捕获文件格式定义可能如下所示：
/raw/robots/ingest_date={Year}-{Month}-{Day}/{Hour}{Minute}{Second}-{Namespace}-{EventHub}-{PartitionId}
4. 考虑一个压实工作
捕获的数据未压缩，并且在您的用例中也可能最终变成小文件（因为最小写入频率为 15 分钟）。因此，如有必要，请编写一个每天运行一次的压缩作业。就像是
df.repartition(5).write.format("avro").save(targetpath)
会做这项工作。
那么现在读取捕获数据的最佳实践是什么？
5.忽略读取数据的非avro文件
Azure EventHubs Capture 将临时数据写入 Azure Data Lake Gen1。最佳做法是仅使用 avro-extension 读取数据。您可以通过 spark 配置轻松实现此目的：
spark.conf.set("avro.mapred.ignore.inputs.without.extension", "true")
6.只读相关分区
考虑只读取相关分区，例如过滤当前摄取日期。
7. 使用共享元数据
读取捕获的数据与直接从 Azure EventHubs 读取数据类似。所以你必须有一个模式。假设您还有使用 Spark 结构化流直接读取数据的作业，一个好的模式是存储元数据并共享它。您可以将此元数据存储在 Data Lake Store json 文件中：
[{"MeasurementTS":"timestamp","Location":"string", "Temperature":"double"}]
并用这个简单的解析函数阅读它：
# parse the metadata to get the schema
from collections import OrderedDict
from pyspark.sql.types import *
import json
ds = dbutils.fs.head (metadata) # read metadata file
items = (json
.JSONDecoder(object_pairs_hook=OrderedDict)
.decode(ds)[0].items())
#Schema mapping
mapping = {"string": StringType, "integer": IntegerType, "double" : DoubleType, "timestamp" : TimestampType, "boolean" : BooleanType}
schema = StructType([
StructField(k, mapping.get(v.lower())(), True) for (k, v) in items])
所以你可以重用你的模式：
from pyspark.sql.functions import *
parsedData = spark.read.format("avro").load(rawpath). \
selectExpr("EnqueuedTimeUtc", "cast(Body as string) as json") \
.select("EnqueuedTimeUtc", from_json("json", schema=Schema).alias("data")) \
.select("EnqueuedTimeUtc", "data.*")