Scala:从spark结构化流中读取Kafka-Avro消息时出错

Question

我一直在尝试用Scala 2.11从spark结构化流(2.4.4(中读取Kafka的avro序列化消息。为此，我使用了spark avro(依赖项如下(。我使用合流的kafka库从python生成kafka消息。Spark流能够使用带有模式的消息，但不能正确读取字段的值。我准备了一个简单的例子来说明这个问题，代码在这里可用：https://github.com/anigmo97/SimpleExamples/tree/master/Spark_streaming_kafka_avro_scala

我在python中创建记录，记录的模式是：

{
"type": "record",
"namespace": "example",
"name": "RawRecord",
"fields": [
{"name": "int_field","type": "int"},
{"name": "string_field","type": "string"}
]
}

它们是这样生成的：

from time import sleep
from confluent_kafka.avro import AvroProducer, load, loads
def generate_records():
avro_producer_settings = {
'bootstrap.servers': "localhost:19092",
'group.id': 'groupid',
'schema.registry.url': "http://127.0.0.1:8081"
}
producer = AvroProducer(avro_producer_settings)
key_schema = loads('"string"')
value_schema = load("schema.avsc")
i = 1
while True:
row = {"int_field": int(i), "string_field": str(i)}
producer.produce(topic="avro_topic", key="key-{}".format(i), 
value=row, key_schema=key_schema, value_schema=value_schema)
print(row)
sleep(1)
i+=1

spark结构化流(在Scala中(的消耗是这样完成的：

import org.apache.spark.sql.{ Dataset, Row}
import org.apache.spark.sql.streaming.{ OutputMode, StreamingQuery}
import org.apache.spark.sql.avro._
...
try {
log.info("----- reading schema")
val jsonFormatSchema = new String(Files.readAllBytes(
Paths.get("./src/main/resources/schema.avsc")))
val ds:Dataset[Row] = sparkSession
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", kafkaServers)
.option("subscribe", topic)
.load()
val output:Dataset[Row] = ds
.select(from_avro(ds.col("value"), jsonFormatSchema) as "record")
.select("record.*")
output.printSchema()
var query: StreamingQuery = output.writeStream.format("console")
.option("truncate", "false").outputMode(OutputMode.Append()).start();

query.awaitTermination();
} catch {
case e: Exception => log.error("onApplicationEvent error: ", e)
//case _: Throwable => log.error("onApplicationEvent error:")
}
...

在spark中打印模式，奇怪的是字段可以为null，尽管avro模式不允许这样做。Spark展示了这一点：

root
|-- int_field: integer (nullable = true)
|-- string_field: string (nullable = true)

我已经在python中与另一个消费者检查了消息，消息很好，但独立于消息内容的spark显示了这一点。

+---------+------------+
|int_field|string_field|
+---------+------------+
|0        |            |
+---------+------------+

使用的主要依赖项有：

<properties>
<spark.version>2.4.4</spark.version>
<scala.version>2.11</scala.version>
</properties>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-avro_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql-kafka-0-10_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>

有人知道为什么会发生这种事吗？

提前谢谢。再现错误的代码在这里：

https://github.com/anigmo97/SimpleExamples/tree/master/Spark_streaming_kafka_avro_scala

解决方案

问题是我在python中使用了confluent_kafka库我正在阅读spark结构化流媒体中的avro消息使用spark-avro库。

Confluent_kafka库使用Confluent的avro格式和spark avro使用标准avro格式读取。

不同之处在于，为了使用schema registry，confluent avro消息前面有四个字节，表示哪个模式应该使用。

来源：https://www.confluent.io/blog/kafka-connect-tutorial-transfer-avro-schemas-across-schema-registry-clusters/

能够使用合流avro并从spark结构化中读取流媒体我为阿布里斯取代了spark avro库(阿布里斯允许整合avro并将avro与spark融合(。https://github.com/AbsaOSS/ABRiS

Answer 1

解决方案

问题是我在python中使用了confluent_kafka库我正在阅读spark结构化流媒体中的avro消息使用spark-avro库。

Confluent_kafka库使用Confluent的avro格式和spark avro使用标准avro格式读取。

不同之处在于，为了使用schema registry，confluent avro消息前面有四个字节，表示哪个模式应该使用。

来源：https://www.confluent.io/blog/kafka-connect-tutorial-transfer-avro-schemas-across-schema-registry-clusters/

能够使用合流avro并从spark结构化中读取流媒体我为阿布里斯取代了spark avro库(阿布里斯允许整合avro并将avro与spark融合(。https://github.com/AbsaOSS/ABRiS

我的依赖项更改如下：

<properties>
<spark.version>2.4.4</spark.version>
<scala.version>2.11</scala.version>
</properties>
<!-- SPARK- AVRO -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-avro_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<!-- SPARK -AVRO AND CONFLUENT-AVRO -->
<dependency>
<groupId>za.co.absa</groupId>
<artifactId>abris_2.11</artifactId>
<version>3.1.1</version>
</dependency>

在这里，您可以看到一个简单的示例，它获取消息并将其值反序列化为avro和合流avro。

var input: Dataset[Row] = sparkSession.readStream
//.format("org.apache.spark.sql.kafka010.KafkaSourceProvider")
.format("kafka")
.option("kafka.bootstrap.servers", kafkaServers)
.option("subscribe", topicConsumer)
.option("failOnDataLoss", "false")
// .option("startingOffsets", "latest")
// .option("startingOffsets", "earliest")
.load();

// READ WITH spark-avro library (standard avro)
val jsonFormatSchema = new String(Files.readAllBytes(Paths.get("./src/main/resources/schema.avsc")))
var inputAvroDeserialized: Dataset[Row] = input
.select(from_avro(functions.col("value"), jsonFormatSchema) as "record")
.select("record.*")
//READ WITH Abris library (confuent avro) 
val schemaRegistryConfig = Map(
SchemaManager.PARAM_SCHEMA_REGISTRY_URL -> "http://localhost:8081",
SchemaManager.PARAM_SCHEMA_REGISTRY_TOPIC -> topicConsumer,
SchemaManager.PARAM_VALUE_SCHEMA_NAMING_STRATEGY -> SchemaManager.SchemaStorageNamingStrategies.TOPIC_NAME, // choose a subject name strategy
SchemaManager.PARAM_VALUE_SCHEMA_ID -> "latest" // set to "latest" if you want the latest schema version to used
)
var inputConfluentAvroDeserialized: Dataset[Row] = inputConfluentAvroSerialized
.select(from_confluent_avro(functions.col("value"), schemaRegistryConfig) as "record")
.select("record.*")