使用 python 构建 Spark 结构化流
Posted
技术标签:
【中文标题】使用 python 构建 Spark 结构化流【英文标题】:Spark structured streaming with python 【发布时间】:2017-04-07 17:55:57 【问题描述】:我正在尝试使用 Kafka 和 Python 激发结构化流式传输。 需求:我需要在 Spark 中处理来自 Kafka(JSON 格式)的流数据(执行转换),然后将其存储在数据库中。
我有 JSON 格式的数据,例如,
"a": 120.56, "b": 143.6865998138807, "name": "niks", "time": "2012-12-01 00:00:09"
我打算使用spark.readStream
来阅读 Kafka 之类的内容,
data = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "localhost:9092").option("subscribe","test").load()
我参考了this link 以供参考,但不知道如何解析 JSON 数据。我试过了,
data = data.selectExpr("CAST(a AS FLOAT)","CAST(b as FLOAT)", "CAST(name as STRING)", "CAST(time as STRING)").as[(Float, Float, String, String)]
但看起来它不起作用。
任何使用 Python 处理 Spark 结构化流的人都可以指导我继续使用示例示例或链接吗?
使用,
schema = StructType([
StructField("a", DoubleType()),
StructField("b", DoubleType()),
StructField("name", StringType()),
StructField("time", TimestampType())])
inData = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "localhost:9092").option("subscribe","test").load()
data = inData.select(from_json(col("value").cast("string"), schema))
query = data.writeStream.outputMode("Append").format("console").start()
程序运行,但我在控制台上获得值,
+-----------------------------------+
|jsontostruct(CAST(value AS STRING))|
+-----------------------------------+
| [null,null,null,2...|
| [null,null,null,2...|
+-----------------------------------+
17/04/07 19:23:15 INFO StreamExecution: Streaming query made progress:
"id" : "8e2355cb-0fd3-4233-89d8-34a855256b1e",
"runId" : "9fc462e0-385a-4b05-97ed-8093dc6ef37b",
"name" : null,
"timestamp" : "2017-04-07T19:23:15.013Z",
"numInputRows" : 2,
"inputRowsPerSecond" : 125.0,
"processedRowsPerSecond" : 12.269938650306749,
"durationMs" :
"addBatch" : 112,
"getBatch" : 8,
"getOffset" : 2,
"queryPlanning" : 4,
"triggerExecution" : 163,
"walCommit" : 26
,
"eventTime" :
"watermark" : "1970-01-01T00:00:00.000Z"
,
"stateOperators" : [ ],
"sources" : [
"description" : "KafkaSource[Subscribe[test]]",
"startOffset" :
"test" :
"0" : 366
,
"endOffset" :
"test" :
"0" : 368
,
"numInputRows" : 2,
"inputRowsPerSecond" : 125.0,
"processedRowsPerSecond" : 12.269938650306749
],
"sink" :
"description" : "org.apache.spark.sql.execution.streaming.ConsoleSink@6aa91aa2"
我在这里错过了什么吗?
【问题讨论】:
【参考方案1】:您可以将from_json
与架构一起使用:
from pyspark.sql.functions import col, from_json
from pyspark.sql.types import *
schema = StructType([
StructField("a", DoubleType()),
StructField("b", DoubleType()),
StructField("name", StringType()),
StructField("time", TimestampType())])
data.select(from_json(col("value").cast("string"), schema))
或者使用get_json_object
获取单个字段作为字符串:
from pyspark.sql.functions import get_json_object
data.select([
get_json_object(col("value").cast("string"), "$.".format(c)).alias(c)
for c in ["a", "b", "name", "time"]])
和cast
他们稍后根据您的需要。
【讨论】:
以上是关于使用 python 构建 Spark 结构化流的主要内容,如果未能解决你的问题,请参考以下文章
地铁译:Spark for python developers ---构建Spark批处理和流处理应用前的数据准备