scala - ¿Cómo leer registros en formato JSON de Kafka usando Structured Streaming?

apache-spark apache-kafka

Question

Estoy tratando de usar el enfoque de transmisión estructurada usando Spark-Streaming basado en DataFrame / Dataset API para cargar una transmisión de datos desde Kafka.

Yo suelo:

• Spark 2.10
• Kafka 0.10
• chispa-sql-kafka-0-10

Spark Kafka DataSource ha definido un esquema subyacente:

|key|value|topic|partition|offset|timestamp|timestampType|

Mis datos vienen en formato json y se almacenan en la columna de valor . Estoy buscando una manera de cómo extraer el esquema subyacente de la columna de valor y actualizar el marco de datos recibido a las columnas almacenadas en el valor . Intenté el siguiente enfoque pero no funciona:

 val columns = Array("column1", "column2") // column names
val rawKafkaDF = sparkSession.sqlContext.readStream
.format("kafka")
.option("kafka.bootstrap.servers","localhost:9092")
.option("subscribe",topic)
.load()
val columnsToSelect = columns.map( x => new Column("value." + x))
val kafkaDF = rawKafkaDF.select(columnsToSelect:_*)
// some analytics using stream dataframe kafkaDF
val query = kafkaDF.writeStream.format("console").start()
query.awaitTermination()

Aquí org.apache.spark.sql.AnalysisException: Can''t extract value from value#337; excepción org.apache.spark.sql.AnalysisException: Can''t extract value from value#337; porque en el momento de la creación de la secuencia, no se conocen los valores internos ...

¿Tienes alguna sugerencia?

Answer 1

Desde la perspectiva de Spark, el value es solo una secuencia de bytes. No tiene conocimiento sobre el formato o contenido de serialización. Para poder extraer el archivo, primero debe analizarlo.

Si los datos se serializan como una cadena JSON, tiene dos opciones. Puede cast value a StringType y usar from_json y proporcionar un esquema:

import org.apache.spark.sql.types._
import org.apache.spark.sql.functions.from_json
val schema: StructType = StructType(Seq(
StructField("column1", ???),
StructField("column2", ???)
))
rawKafkaDF.select(from_json($"value".cast(StringType), schema))

o StringType a StringType , extraer campos por ruta usando get_json_object :

import org.apache.spark.sql.functions.get_json_object
val columns: Seq[String] = ???
val exprs = columns.map(c => get_json_object($"value", s"$$.$c"))
rawKafkaDF.select(exprs: _*)

y luego cast a los tipos deseados.