Question

我一直在尝试从Kafka主题中读取我的数据并将其写入镶木地板文件。到目前为止，我有一切工作，除了foreachRdd函数。我在dstream上使用地图时可以看到数据，但是使用foreachRdd的下一步，Rdd总是空的，我不知道为什么。

我的环境是Ubuntu同时运行Kafka和Spark。我正在使用pyspark shell。我是python的新手，所以有很多我仍然磕磕绊绊的语法，我不确定这是不是我的问题所在。

非常感谢任何帮助或见解。

这是我在pyspark shell中粘贴的代码的副本

from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
from pyspark.sql.types import *             
import json

kafkaBroker = 'localhost:9092'
consumer_group = 'spark-streaming'
topic = 'test'
batchTimeDur=5

ssc = StreamingContext(sc, batchTimeDur)
directKafkaStream = KafkaUtils.createDirectStream(ssc, [topic], {"metadata.broker.list": kafkaBroker})

#change string to json string
lines = directKafkaStream.map(lambda v: json.loads(v[1]))

# show what is in the stream
lines.map(lambda x: 'rec in this line: %s\n' % x).pprint()

# save lines to file
lines.foreachRDD(lambda x: saveAsParquet(x))

def saveAsParquet(rdd):
    print('in save a parquet')
    if not rdd.isEmpty:
        df = sqlContext.createDataFrame(rdd, buildSchema())
        #df.write.parquet('file:///vagrant/streamed-parquet', mode='overwrite')
        print('  writing file')
        df.write.parquet('file:///vagrant/streamed-parquet', mode='append')
    print('return save as parquet')
    return rdd

ssc.start()

Answer 1

RDD.isEmpty是一个方法，而不是属性，因此根据language defintion，rdd.isEmpty将在布尔上下文中被评估为true：

解释以下值 as false：“False”，“None”，所有类型的数字零，以及空字符串和容器（包括字符串，元组，列表，字典，集合和frozensets）。解释所有其他值是的。

随后if not rdd.isEmpty将为假。

你应该：

if not rdd.isEmpty(): 
    ...

Pyspark directStreams foreachRdd总是有空的RDD

1 个答案: