Question

我正在尝试向kafka发送一个大型CSV。基本结构是读取CSV的一行并用标题压缩它。

a = dict(zip(header, line.split(",")

然后将其转换为带有以下内容的json：

message = json.dumps(a)

然后我使用kafka-python库发送消息

from kafka import SimpleProducer, KafkaClient
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
producer.send_messages("topic", message)

使用PYSPARK 我已经轻松地从CSV文件中创建了一个RDD消息

sc = SparkContext()
text = sc.textFile("file.csv")
header = text.first().split(',')
def remove_header(itr_index, itr):
    return iter(list(itr)[1:]) if itr_index == 0 else itr
noHeader = text.mapPartitionsWithIndex(remove_header)

messageRDD = noHeader.map(lambda x: json.dumps(dict(zip(header, x.split(","))

现在我想发送这些消息：我定义了一个函数

def sendkafka(message):
  kafka = KafkaClient("localhost:9092")
  producer = SimpleProducer(kafka)
  return producer.send_messages('topic',message)

然后我创建一个新的RDD来发送消息

sentRDD = messageRDD.map(lambda x: kafkasend(x))

然后我调用sentRDD.count（）

开始搅拌和发送消息

不幸的是，这很慢。它每秒发送1000条消息。这是一个10节点的集群，每个集群有4个cpus和8GB的内存。

相比之下，在1000万行csv上创建消息大约需要7秒。〜约2gb

我认为问题在于我在函数中实例化了一个kafka生成器。然而，如果我不抱怨，即使我尝试在全球范围内定义它，生产者也不会存在。

也许有人可以说明如何处理这个问题。

谢谢，

Answer 1

您可以为每个分区创建一个生产者，并使用mapPartitions或foreachPartition：

def sendkafka(messages):
    kafka = KafkaClient("localhost:9092")
    producer = SimpleProducer(kafka)
    for message in messages:
        yield producer.send_messages('topic', message)

sentRDD = messageRDD.mapPartitions(sendkafka)

如果上面单独帮助您可以尝试使用asynchronous producer进行扩展。

在Spark 2.x中，也可以使用Kafka数据源。您必须包含spark-sql-kafka jar，匹配Spark和Scala版本（分别为2.2.0和2.11）：

spark.jars.packages  org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0

将数据转换为DataFrame（如果已经DataFrame）：

messageDF = spark.createDataFrame(messageRDD, "string")

并使用DataFrameWriter撰写：

(messageDF.write
    .format("kafka")
    .option("topic", topic_name)
    .option("kafka.bootstrap.servers", bootstrap_servers)
    .save())

使用python Spark

1 个答案: