scala - 如何使用结构化流从 Kafka 读取 JSON 格式的记录？

Question

我正在尝试使用structured streaming approach使用基于DataFrame/Dataset API的Spark-Streaming从Kafka加载数据流。

我使用:

• 星火2.10
• 卡夫卡0.10
• spark-sql-kafka-0-10

Spark Kafka DataSource 已定义底层架构:

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

我的数据采用 json 格式，它们存储在 value 列中。我正在寻找一种方法，如何从值列中提取底层架构并将接收到的数据帧更新为存储在 value 中的列？我尝试了下面的方法，但它不起作用:

 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()

这里我收到异常 org.apache.spark.sql.AnalysisException: Can't extract value from value#337; 因为在创建流时，内部的值是未知的...

你有什么建议吗？

Answer 1

从 Spark 角度来看，value 只是一个字节序列。它不了解序列化格式或内容。为了能够提取该文件，您必须首先对其进行解析。

如果数据被序列化为 JSON 字符串，您有两个选择。您可以将 cast value 转换为 StringType 并使用 from_json 并提供架构:

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))

或cast为StringType，使用get_json_object按路径提取字段:

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: _*)

然后强制转换到所需的类型。