Question

我正在用Kafka，Spark和jupyter笔记本进行概念验证，而我遇到一个奇怪的问题。我正在尝试从kafka到pyspark读取Avro记录。我正在使用融合式架构注册表来获取用于反序列化avro消息的架构。将Spark数据框中的Avro消息反序列化后，结果列为空，没有任何错误。该列应包含数据，因为当转换为字符串时，某些avro字段是可读的。

我也曾尝试在Scala的spark-shell上执行此操作（没有jupyter）我已经尝试了基于docker的spark以及独立安装的spark

我遵循了这个SO主题，以获取from_avro和to_avro函数： Pyspark 2.4.0, read avro from kafka with read stream - Python

struct

值列的内容为空。我预计由于解码失败而出现错误，或者数据在那里。有谁知道这可能是什么原因或如何调试？

jars = ["kafka-clients-2.0.0.jar", "spark-avro_2.11-2.4.3.jar", "spark-        
sql-kafka-0-10_2.11-2.4.3.jar"]
jar_paths = ",".join(["/home/jovyan/work/jars/{}".format(jar) for jar in 
jars])

conf = SparkConf()
conf.set("spark.jars", jar_paths)

spark_session = SparkSession \
    .builder \
    .config(conf=conf)\
    .appName("TestStream") \
    .getOrCreate()

def from_avro(col, jsonFormatSchema): 
    sc = SparkContext._active_spark_context 
    avro = sc._jvm.org.apache.spark.sql.avro
    f = getattr(getattr(avro, "package$"), "MODULE$").from_avro
    return Column(f(_to_java_column(col), jsonFormatSchema)) 


def to_avro(col): 
    sc = SparkContext._active_spark_context 
    avro = sc._jvm.org.apache.spark.sql.avro
    f = getattr(getattr(avro, "package$"), "MODULE$").to_avro
    return Column(f(_to_java_column(col))) 

schema_registry_url = "http://schema-registry.org"
transaction_schema_name = "Transaction"

transaction_schema = requests.get(" 
{}/subjects/{}/versions/latest/schema".format(schema_registry_url, 
transaction_schema_name)).text


raw_df = spark_session.read.format("kafka") \
# SNIP
    .option("subscribe", "transaction") \
    .option("startingOffsets", "earliest").load()
raw_df = raw_df.limit(1000).cache()

extract_df = raw_df.select(
    raw_df["key"].cast("String"),
    from_avro(raw_df["value"], transaction_schema).alias("value")
)

# This shows data and fields
raw_df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)").show(3, truncate=False)

extract_df.show()

Answer 1

您必须手动反序列化数据。撰写本文时，PySpark尚未正式支持Confluent模式注册表。您需要使用Confluent提供的KafkaAvroDeSerializer或第三方Spark avro库ABRiS。

ABRiS：https://github.com/AbsaOSS/ABRiS#using-abris-with-python-and-pyspark

KafkaAvroDeSerializer：Integrating Spark Structured Streaming with the Confluent Schema Registry

原因：Confluent在Avro数据后添加了5个额外的字节，其中1个用于魔术字节，4个用于模式ID，而不是典型的avro格式，即Avro数据。因此，您需要手动反序列化。

（对不起，我无法发表评论。）

使用PySpark从Apache Kafka反序列化Avro时的空列

1 个答案: