如何使用结构化流从 Kafka 读取 JSON 格式的记录

Question

我正在尝试使用基于DataFrame/Dataset API的Spark-Streaming使用结构化流方法从Kafka加载数据流。

我使用：

• 火花 2.10
卡
• 夫卡 0.10
• Spark-sql-kafka-0-10

Spark Kafka 数据源定义了底层架构：

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

我的数据采用 json 格式，它们存储在值列中。我正在寻找一种如何从值列中提取底层架构并将接收的数据帧更新为存储在值中的列的方法？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()

在这里，我得到了异常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的角度来看，value只是一个字节序列。它不了解序列化格式或内容。为了能够提取文件，您必须先解析它。

如果数据序列化为 JSON 字符串，则有两个选项。您可以cast value StringType和使用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 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: _*)

稍后cast到所需的类型。