使用模式将带有Spark的AVRO消息转换为DataFrame

时间:2016-08-20 01:30:35

标签: scala apache-spark apache-kafka spark-streaming avro

有没有办法使用架构将消息从转换为?用户记录的模式文件:

{
  "fields": [
    { "name": "firstName", "type": "string" },
    { "name": "lastName", "type": "string" }
  ],
  "name": "user",
  "type": "record"
}

来自SqlNetworkWordCount exampleKafka, Spark and Avro - Part 3, Producing and consuming Avro messages的代码段以读取消息。

object Injection {
  val parser = new Schema.Parser()
  val schema = parser.parse(getClass.getResourceAsStream("/user_schema.json"))
  val injection: Injection[GenericRecord, Array[Byte]] = GenericAvroCodecs.toBinary(schema)
}

...

messages.foreachRDD((rdd: RDD[(String, Array[Byte])]) => {
  val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext)
  import sqlContext.implicits._

  val df = rdd.map(message => Injection.injection.invert(message._2).get)
    .map(record => User(record.get("firstName").toString, records.get("lastName").toString)).toDF()

  df.show()
})

case class User(firstName: String, lastName: String)

不知何故,我找不到另一种方法,而不是使用case类将AVRO消息转换为DataFrame。是否有可能使用架构?我正在使用Spark 1.6.2Kafka 0.10

完整的代码,如果您有兴趣。

import com.twitter.bijection.Injection
import com.twitter.bijection.avro.GenericAvroCodecs
import kafka.serializer.{DefaultDecoder, StringDecoder}
import org.apache.avro.Schema
import org.apache.avro.generic.GenericRecord
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SQLContext
import org.apache.spark.streaming.kafka._
import org.apache.spark.streaming.{Seconds, StreamingContext, Time}
import org.apache.spark.{SparkConf, SparkContext}

object ReadMessagesFromKafka {
  object Injection {
    val parser = new Schema.Parser()
    val schema = parser.parse(getClass.getResourceAsStream("/user_schema.json"))
    val injection: Injection[GenericRecord, Array[Byte]] = GenericAvroCodecs.toBinary(schema)
  }

  def main(args: Array[String]) {
    val brokers = "127.0.0.1:9092"
    val topics = "test"

    // Create context with 2 second batch interval
    val sparkConf = new SparkConf().setAppName("ReadMessagesFromKafka").setMaster("local[*]")
    val ssc = new StreamingContext(sparkConf, Seconds(2))

    // Create direct kafka stream with brokers and topics
    val topicsSet = topics.split(",").toSet
    val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)
    val messages = KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder](
  ssc, kafkaParams, topicsSet)

    messages.foreachRDD((rdd: RDD[(String, Array[Byte])]) => {
      val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext)
      import sqlContext.implicits._

      val df = rdd.map(message => Injection.injection.invert(message._2).get)
    .map(record => User(record.get("firstName").toString, records.get("lastName").toString)).toDF()

      df.show()
    })

    // Start the computation
    ssc.start()
    ssc.awaitTermination()
  }
}

/** Case class for converting RDD to DataFrame */
case class User(firstName: String, lastName: String)

/** Lazily instantiated singleton instance of SQLContext */
object SQLContextSingleton {
  @transient  private var instance: SQLContext = _

  def getInstance(sparkContext: SparkContext): SQLContext = {
    if (instance == null) {
      instance = new SQLContext(sparkContext)
    }
    instance
  }
}

4 个答案:

答案 0 :(得分:4)

请看一下 https://github.com/databricks/spark-avro/blob/master/src/test/scala/com/databricks/spark/avro/AvroSuite.scala

所以而不是

 val df = rdd.map(message => Injection.injection.invert(message._2).get)
.map(record => User(record.get("firstName").toString,records.get("lastName").toString)).toDF()

你可以试试这个

 val df = spark.read.avro(message._2.get)

答案 1 :(得分:3)

OP可能解决了这个问题但是为了将来的参考我一般都解决了这个问题所以认为在这里发帖可能会有所帮助。

一般来说,您应该将Avro架构转换为spark StructType,并将RDD中的对象转换为Row [Any],然后使用:

spark.createDataFrame(<RDD[obj] mapped to RDD[Row}>,<schema as StructType>

为了转换Avro架构,我使用了spark-avro,如下所示:

SchemaConverters.toSqlType(avroSchema).dataType.asInstanceOf[StructType]

RDD的转换更棘手..如果您的架构很简单,您可能只需要做一个简单的地图......就像这样:

rdd.map(obj=>{
    val seq = (obj.getName(),obj.getAge()
    Row.fromSeq(seq))
    })

在此示例中,对象有2个字段名称和年龄。

重要的是要确保Row中的元素与之前StructType中字段的顺序和类型相匹配。

在我的特定情况下,我有一个更复杂的对象,我想要一般地处理以支持将来的架构更改,所以我的代码要复杂得多。

OP建议的方法也应该适用于某些案例,但很难暗示复杂的对象(不是原始对象或案例类)

另一个提示是,如果你在一个类中有一个类,你应该将该类转换为一个Row,以便包装类转换为类似的东西:

Row(Any,Any,Any,Row,...)

你也可以看一下我前面提到的关于如何将对象转换为行的spark-avro项目..我自己使用了一些逻辑

如果有人在阅读此内容时需要进一步的帮助,请在评论中提问我,我会尽力帮助

类似的问题也解决了here

答案 2 :(得分:2)

我处理过类似的问题,但是在Java中。所以不确定Scala,但看一下库com.databricks.spark.avro

答案 3 :(得分:1)

对于有兴趣以可以处理架构更改而无需停止和重新部署spark应用程序的方式处理此问题的任何人(假设您的应用程序逻辑可以处理此问题),请参阅此question/answer