Question

我正在寻找将kafka时间戳值添加到我的Spark结构化流模式的解决方案。我已经从kafka中提取了value字段并制作了dataframe。我的问题是，我还需要获取时间戳字段（来自kafka）以及其他列。

这是我当前的代码：

val kafkaDatademostr = spark
  .readStream 
  .format("kafka")
  .option("kafka.bootstrap.servers","zzzz.xxx.xxx.xxx.com:9002")
  .option("subscribe","csvstream")
  .load

val interval = kafkaDatademostr.select(col("value").cast("string")).alias("csv")
  .select("csv.*")

val xmlData = interval.selectExpr("split(value,',')[0] as ddd" ,
    "split(value,',')[1] as DFW",
    "split(value,',')[2] as DTG",
    "split(value,',')[3] as CDF",
    "split(value,',')[4] as DFO",
    "split(value,',')[5] as SAD",
    "split(value,',')[6] as DER",
    "split(value,',')[7] as time_for",
    "split(value,',')[8] as fort")

如何从kafka获取时间戳并将其与其他列一起添加？

Answer 1

时间戳记包含在源模式中。只需添加“选择时间戳记”即可获得如下所示的时间戳记。

val interval = kafkaDatademostr.select(col("value").cast("string").alias("csv"), col("timestamp")).select("csv.*", "timestamp")

Answer 2

在Apache Spark官方网页上，您可以找到指南：Structured Streaming + Kafka Integration Guide (Kafka broker version 0.10.0 or higher)

您可以找到有关从Kafka加载的DataFrame架构的信息。

Kafka来源中的每一行都有以下列：

键-消息键
值-邮件值
主题-名称消息主题
partition-该消息来自的分区
偏移量-消息的偏移量
时间戳-时间戳
timestampType时间戳类型

以上所有列均可查询。在您的示例中，您仅使用value，因此只需在您的select语句中添加timestamp即可获得时间戳记：

  val allFields = kafkaDatademostr.selectExpr(
    s"CAST(value AS STRING) AS csv",
    s"CAST(key AS STRING) AS key",
    s"topic as topic",
    s"partition as partition",
    s"offset as offset",
    s"timestamp as timestamp",
    s"timestampType as timestampType"
  )

Answer 3

以Kafka为例，我收到的是JSON格式的值。其中包含实际数据以及原始事件时间（不是kafka时间戳）。下面是架构。

val mySchema = StructType(Array(
      StructField("time", LongType),
      StructField("close", DoubleType)
    ))

为了使用Spark结构化流的水印功能，我不得不将 time 字段转换为时间戳格式。

val df1 = df.selectExpr("CAST(value AS STRING)").as[(String)]
      .select(from_json($"value", mySchema).as("data"))
      .select(col("data.time").cast("timestamp").alias("time"),col("data.close"))

现在，您可以将时间字段用于 窗口操作 以及水印。

import spark.implicits._
val windowedData = df1.withWatermark("time","1 minute")
                      .groupBy(
                          window(col("time"), "1 minute", "30 seconds"),
                          $"close"
                      ).count()

我希望这个答案能弄清楚。

如何在火花结构化流中将kafka时间戳值包含为列？

3 个答案: