scala - Spark Dataframe 以 avro 格式写入 kafka 主题？

Question

我在 Spark 中有一个数据框，看起来像

eventDF

   Sno|UserID|TypeExp
    1|JAS123|MOVIE
    2|ASP123|GAMES
    3|JAS123|CLOTHING
    4|DPS123|MOVIE
    5|DPS123|CLOTHING
    6|ASP123|MEDICAL
    7|JAS123|OTH
    8|POQ133|MEDICAL
    .......
    10000|DPS123|OTH

我需要以 Avro 格式将其写入 Kafka 主题
目前我可以使用以下代码在 Kafka 中写入 JSON

val kafkaUserDF: DataFrame = eventDF.select(to_json(struct(eventDF.columns.map(column):_*)).alias("value"))
  kafkaUserDF.selectExpr("CAST(value AS STRING)").write.format("kafka")
    .option("kafka.bootstrap.servers", "Host:port")
    .option("topic", "eventdf")
    .save()

现在我想以 Avro 格式将其写入 Kafka 主题

Answer 1

Spark >= 2.4 :

您可以使用 to_avro 函数来自 spark-avro 图书馆。

import org.apache.spark.sql.avro._

eventDF.select(
  to_avro(struct(eventDF.columns.map(column):_*)).alias("value")
)

Spark < 2.4

你必须以同样的方式做到这一点:

创建一个函数，将序列化的 Avro 记录写入 ByteArrayOutputStream并返回结果。一个简单的实现(这仅支持平面对象)可能类似于(从 Kafka Avro Scala Example 被 Sushil Kumar Singh 采纳)

import org.apache.spark.sql.Row

def encode(schema: org.apache.avro.Schema)(row: Row): Array[Byte] = {
  val gr: GenericRecord = new GenericData.Record(schema)
  row.schema.fieldNames.foreach(name => gr.put(name, row.getAs(name)))

  val writer = new SpecificDatumWriter[GenericRecord](schema)
  val out = new ByteArrayOutputStream()
  val encoder: BinaryEncoder = EncoderFactory.get().binaryEncoder(out, null)
  writer.write(gr, encoder)
  encoder.flush()
  out.close()

  out.toByteArray()
}

将其转换为 udf :

import org.apache.spark.sql.functions.udf

val schema: org.apache.avro.Schema
val encodeUDF = udf(encode(schema) _)

将其用作 to_json 的替代品

eventDF.select(
  encodeUDF(struct(eventDF.columns.map(column):_*)).alias("value")
)