我正在尝试使用基于DataFrame / Dataset API的Spark-Streaming来加载来自Kafka的数据流。{/ p>
我用:
Spark Kafka DataSource定义了底层架构:
|key|value|topic|partition|offset|timestamp|timestampType|
我的数据采用json格式,并存储在值列中。我正在寻找一种方法如何从值列中提取底层模式,并将接收到的数据帧更新为存储在 value 中的列?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()
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?
答案 0 :(得分:9)
从Spark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。为了能够提取字段,您必须先解析它。
如果数据被序列化为JSON字符串,则有两个选项。您可以cast
value
到StringType
并使用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($"value".cast(StringType), schema))
或cast
到StringType
,使用get_json_object
按路径提取字段:
import org.apache.spark.sql.functions.get_json_object
val columns: Seq[String] = ???
val exprs = columns.map(c => get_json_object($"value", s"$$.$c"))
rawKafkaDF.select(exprs: _*)
和cast
稍后到期望的类型。