我正在使用PySpark 2.3.1从DStream
中读取来自Kafka的值流。我想对该数据进行一些转换,例如移动平均值,然后将其保存到Redis。我的Spark作业代码看起来像这样:
batch_duration = 1
# Initialize session
spark_session = SparkSession \
.builder \
.appName("my-app") \
.getOrCreate()
spark_context = spark_session.sparkContext
# Create streaming context (=connection to Spark)
streaming_context = StreamingContext(spark_context, batch_duration)
# Read from Kafka
input = KafkaUtils \
.createDirectStream(streaming_context, ['price'], {"metadata.broker.list": kafka_urls})
然后我可以用以下行将其转换:
jsons = input.window(5000).map(lambda t: t[1]).map(json.loads)
prices = jsons.map(lambda d: d['price'])
total = prices.reduce(lambda x, y: x + y)
但是,在这种情况下,total
仍然是DStream
,而documentation for Redis说只能从PySpark写入数据帧。幸运的是,DStream
在运行时会产生定期的RDD-因此我必须弄清楚如何将RDD转换为数据帧。
我尝试过
total.foreachRDD(lambda rdd:
rdd.toDF().write.format("org.apache.spark.sql.redis") \
.option("table", "people") \
.option("key.column", "name") \
.save())
诚然,此文件是从网络上的其他地方盲目复制并粘贴的,因此option
调用几乎可以肯定与我的数据模式不匹配。我希望破译例外情况并弄清楚下一步该怎么做。不幸的是,在我的Spark集群上运行它会打印很多行Java堆栈跟踪,并在控制台历史记录之外滚动原始的Python异常,所以我不知道是什么引起了问题。
答案 0 :(得分:0)
这是一个字计数器示例,可将结果保存到Redis:
import sys
from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
from pyspark.sql import SQLContext
def save_rdd(rdd):
if not rdd.isEmpty():
df = rdd.toDF()
df.show()
df.write.format("org.apache.spark.sql.redis").option("table", "counts").option("key.column", "_1").save(mode='append')
if __name__ == "__main__":
spark = SparkSession \
.builder \
.appName("Example") \
.getOrCreate()
sc = spark.sparkContext
sc.setLogLevel("ERROR")
ssc = StreamingContext(sc, 2)
brokers, topic = sys.argv[1:]
kvs = KafkaUtils.createDirectStream(ssc, [topic], {"metadata.broker.list": brokers})
lines = kvs.map(lambda x: x[1])
counts = lines.flatMap(lambda line: line.split(" ")) \
.map(lambda word: (word, 1)) \
.reduceByKey(lambda a, b: a + b)
counts.foreachRDD(save_rdd)
ssc.start()
ssc.awaitTermination()
提交命令:
./bin/spark-submit --master spark://Oleksiis-MacBook-Pro.local:7077 --packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.2.0,com.redislabs:spark-redis:2.4.0 ~/Projects/spark-redis-test/src/main/scala/com/redislabs/provider/test/spark-direct-kafka.py localhost:9092 new_topic
请注意,我包括了com.redislabs:spark-redis:2.4.0
包裹。
给new_topic
写一些字:
./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic new_topic
>a b c a
>a b b
输出在Redis中应显示为散列,其中键对应于输入单词:
./redis-cli
keys counts:*
1) "counts:a"
2) "counts:b"
3) "counts:c"
127.0.0.1:6379> hgetall counts:a
1) "_2"
2) "2"
如果您想使用一些有意义的列名而不是_1
,_2
等来保存DataFrame,则可以这样重命名列:
from pyspark.sql.functions import col
def save_rdd(rdd):
if not rdd.isEmpty():
df = rdd.toDF().select(col("_1").alias("word"), col("_2").alias("count"))
df.show()
df.write.format("org.apache.spark.sql.redis").option("table", "counts").option("key.column","word").save(mode='append')
请注意,现在我们将key.coumn
参数设置为word
。
现在Redis中的字段名称为“ count”:
127.0.0.1:6379> hgetall counts:abc
1) "count"
2) "1"
希望有帮助!