pyspark：使用从 kafka 检索到的数据训练 kmeans 流式传输

Posted 2023-04-15

【中文标题】pyspark：使用从 kafka 检索到的数据训练 kmeans 流式传输

【英文标题】：pyspark: train kmeans streaming with data retrieved from kafka

【发布时间】：2017-07-20 16:02:14

【问题描述】：

我想用来自 kafka 主题的数据训练一个流式 kmeans 模型。

我的问题是如何呈现 kmeans streamig 模型的数据

sc = SparkContext(appName="PythonStreamingKafka")
ssc = StreamingContext(sc, 30)

zkQuorum, topic = sys.argv[1:]
kvs = KafkaUtils.createStream(ssc, zkQuorum, "spark-streaming-consumer", topic: 1)
lines = kvs.map(lambda x: x[1])

lines.pprint()

这个输出（这些是我的特征，用'|'分隔）：

1.0|2.0|0.0|21.0|2.0

1.0|2.0|0.0|21.0|2.0

那我就想做这个

model = StreamingKMeans(k=2, decayFactor=1.0).setRandomCenters(3, 1.0, 0)
model.trainOn(lines)

如果我将两段代码结合起来，我会得到错误：

TypeError: Cannot convert type <type 'unicode'> into Vector

【问题讨论】：

您能否分享一个端到端示例以及您正在使用的所有软件模块的版本（Kafka 和 spark 版本）？

错误日志不完整。可以分享完整版吗？

感谢@MedAli。我刚刚找到了解决方案。我会在下面发布答案

【参考方案1】：

第一个问题是格式化从 kafka 提取的流。这是管道分隔数据的工作原理

sc = SparkContext(appName="PythonStreamingKafka")
ssc = StreamingContext(sc, 30)

zkQuorum, topic = sys.argv[1:]
kvs = KafkaUtils.createStream(ssc, zkQuorum, "spark-streaming-consumer", topic: 1)

raw = kvs.flatMap(lambda kafkaS: [kafkaS])
lines = raw.map(lambda xs: xs[1].split("|"))

lines = lines.map(lambda x: DenseVector(x))

第二个问题是数据的维度：setRandomCenters的第一个参数（它应该与特征数相同）