使用schema将带有spark的avro消息转换为dataframe

thigvfpy  于 2021-06-08  发布在  Kafka
关注(0)|答案(4)|浏览(418)

有没有一种方法可以使用模式将来自kafka和spark的avro消息转换为Dataframe?用户记录的架构文件:

{
  "fields": [
    { "name": "firstName", "type": "string" },
    { "name": "lastName", "type": "string" }
  ],
  "name": "user",
  "type": "record"
}

以及sqlnetworkwordcount示例和kafka、spark和avro的代码片段—第3部分,生成和使用avro消息以读入消息。

object Injection {
  val parser = new Schema.Parser()
  val schema = parser.parse(getClass.getResourceAsStream("/user_schema.json"))
  val injection: Injection[GenericRecord, Array[Byte]] = GenericAvroCodecs.toBinary(schema)
}

...

messages.foreachRDD((rdd: RDD[(String, Array[Byte])]) => {
  val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext)
  import sqlContext.implicits._

  val df = rdd.map(message => Injection.injection.invert(message._2).get)
    .map(record => User(record.get("firstName").toString, records.get("lastName").toString)).toDF()

  df.show()
})

case class User(firstName: String, lastName: String)

不知何故,除了使用case类将avro消息转换为dataframe之外,我找不到其他方法。有没有可能改用模式?我在用 Spark 1.6.2 以及 Kafka 0.10 .
完整的代码,如果你感兴趣的话。

import com.twitter.bijection.Injection
import com.twitter.bijection.avro.GenericAvroCodecs
import kafka.serializer.{DefaultDecoder, StringDecoder}
import org.apache.avro.Schema
import org.apache.avro.generic.GenericRecord
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SQLContext
import org.apache.spark.streaming.kafka._
import org.apache.spark.streaming.{Seconds, StreamingContext, Time}
import org.apache.spark.{SparkConf, SparkContext}

object ReadMessagesFromKafka {
  object Injection {
    val parser = new Schema.Parser()
    val schema = parser.parse(getClass.getResourceAsStream("/user_schema.json"))
    val injection: Injection[GenericRecord, Array[Byte]] = GenericAvroCodecs.toBinary(schema)
  }

  def main(args: Array[String]) {
    val brokers = "127.0.0.1:9092"
    val topics = "test"

    // Create context with 2 second batch interval
    val sparkConf = new SparkConf().setAppName("ReadMessagesFromKafka").setMaster("local[*]")
    val ssc = new StreamingContext(sparkConf, Seconds(2))

    // Create direct kafka stream with brokers and topics
    val topicsSet = topics.split(",").toSet
    val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)
    val messages = KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder](
  ssc, kafkaParams, topicsSet)

    messages.foreachRDD((rdd: RDD[(String, Array[Byte])]) => {
      val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext)
      import sqlContext.implicits._

      val df = rdd.map(message => Injection.injection.invert(message._2).get)
    .map(record => User(record.get("firstName").toString, records.get("lastName").toString)).toDF()

      df.show()
    })

    // Start the computation
    ssc.start()
    ssc.awaitTermination()
  }
}

/**Case class for converting RDD to DataFrame */
case class User(firstName: String, lastName: String)

/**Lazily instantiated singleton instance of SQLContext */
object SQLContextSingleton {
  @transient  private var instance: SQLContext = _

  def getInstance(sparkContext: SparkContext): SQLContext = {
    if (instance == null) {
      instance = new SQLContext(sparkContext)
    }
    instance
  }
}
o2g1uqev

o2g1uqev1#

对于任何有兴趣以一种不需要停止和重新部署spark应用程序(假设应用程序逻辑可以处理此问题)就可以处理模式更改的方式来处理此问题的人,请参阅以下问题/答案。

np8igboo

np8igboo2#

op可能解决了这个问题,但为了将来的参考,我解决了这个问题相当普遍,所以认为它可能是有帮助的张贴在这里。
所以一般来说,您应该将avro模式转换为spark structtype,并将rdd中的对象转换为行[any],然后使用:

spark.createDataFrame(<RDD[obj] mapped to RDD[Row}>,<schema as StructType>

为了转换avro模式,我使用了spark avro,如下所示:

SchemaConverters.toSqlType(avroSchema).dataType.asInstanceOf[StructType]

rdd的转换更加棘手。。如果你的模式很简单,你可以做一个简单的Map。。像这样:

rdd.map(obj=>{
    val seq = (obj.getName(),obj.getAge()
    Row.fromSeq(seq))
    })

在本例中,对象有两个字段name和age。
重要的是确保行中的元素与structtype中的字段的顺序和类型相匹配。
在我的特殊情况下,我有一个更复杂的对象,我想处理它以支持将来的模式更改,所以我的代码要复杂得多。
op建议的方法应该也适用于某些casese,但很难在复杂对象(不是primitive或case类)上使用
另一个技巧是,如果类中有一个类,则应将该类转换为一行,以便 Package 类将转换为如下内容:

Row(Any,Any,Any,Row,...)

您还可以看看我前面提到的spark avro项目,它介绍了如何将对象转换为行。。我自己也用了一些逻辑
如果有人阅读这篇文章需要进一步的帮助,请在评论中问我,我会尽力帮助你
类似的问题在这里也得到了解决。

tquggr8v

tquggr8v3#

我也研究过类似的问题,但用的是java。所以不确定scala,但是看看库com.databricks.spark.avro。

wi3ka0sx

wi3ka0sx4#

请看一下这个https://github.com/databricks/spark-avro/blob/master/src/test/scala/com/databricks/spark/avro/avrosuite.scala
所以

val df = rdd.map(message => Injection.injection.invert(message._2).get)
.map(record => User(record.get("firstName").toString,records.get("lastName").toString)).toDF()

你可以试试这个

val df = spark.read.avro(message._2.get)

相关问题