scala - 使用Spark结构化流处理包含嵌套实体的JSON

Question

我想使用Spark结构化流从Kafka主题源中读取嵌套数据。
我的Scala代码（案例类和Spark处理代码）：

case class Nested(attr_int: Integer, attr_string: String, attr_float: Float, attr_timestamp: java.sql.Timestamp)

case class Parent(a_str: String, a_long: Long, a_nested: Array[Nested])


import org.apache.spark.sql.Encoders
val jsonSchema = Encoders.product[Parent].schema

val df = sparkSession
    .readStream
    .format("kafka")
    .option("kafka.bootstrap.servers", "localhost:9092")
    .option("subscribe", "testnested")
    .option("group.id", "testnested")
    .option("key.deserializer", "org.apache.kafka.common.serialization.StringSerializer")
    .option("value.deserializer", "org.apache.kafka.common.serialization.StringSerializer")
    .load()
    .select($"value" cast "string" as "json")
    .select(from_json($"json", jsonSchema) as "data")
    .select("data.*")
    .withColumn("nested", explode($"a_nested"))
    .select("nested.*")
    .as[Nested]
    .writeStream
    .format("console")
    .start()
    .awaitTermination()

当我发送给Kafka数据时：

{"a_str":"Str","a_long":100,"a_nested":[{"attr_int":0,"attr_string":"nested_0","attr_float":0.0,"attr_timestamp":"2018-01-01T11:00:00.123321+02:00"},{"attr_int":1,"attr_string":"nested_1","attr_float":1.0,"attr_timestamp":"2018-02-02T12:01:01.023321+02:00"}]}

我得到结果：

+--------+-----------+----------+--------------------+
|attr_int|attr_string|attr_float|      attr_timestamp|
+--------+-----------+----------+--------------------+
|       0|   nested_0|       0.0|2018-01-01 13:02:...|
|       1|   nested_1|       1.0|2018-02-02 14:01:...|
+--------+-----------+----------+--------------------+

现在，我想将每个嵌套项目加入父数据，例如：

+--------+-----------+----------+--------------------+-------+--------+
|attr_int|attr_string|attr_float|      attr_timestamp| a_str | a_long |
+--------+-----------+----------+--------------------+-------+--------+
|       0|   nested_0|       0.0|2018-01-01 13:02:...|   Str |    100 |
|       1|   nested_1|       1.0|2018-02-02 14:01:...|   Str |    100 |
+--------+-----------+----------+--------------------+-------+--------+

请注意， "a_str"和 "a_long"是父实体 "Parent"的列。
由于我不是Spark结构化流处理专家，因此我想知道最“惯用”的方法是什么？
目前，我有一些假设：


创建自定义Kafka值反序列化器
在结构化流上写一些连接（我坚持使用），但是我想这将需要更改json结构（例如，在嵌套中指定一些键值）
指向父数据）
编写自定义方法，该方法将为联接的实体返回非规范化数据，并在此方法中使用 flatMap


请指教。

谢谢

更新1：为方便起见，我在GitHub上创建了一个通讯项目： https://github.com/lospejos/spark-nested-classes-from-json

Answer 1

感谢Glennie Helles Sindholt和其他Google员工的利益：

.select($"nested.*", $"a_str", $"a_long")

Github存储库也已更新。