Spark:使用 Spark Scala 从 Kafka 读取 Avro 消息
Posted
技术标签:
【中文标题】Spark:使用 Spark Scala 从 Kafka 读取 Avro 消息【英文标题】:Spark: Reading Avro messages from Kafka using Spark Scala 【发布时间】:2019-11-26 23:54:10 【问题描述】:我正在尝试spark 2.4.3
中的以下代码来读取来自 kafka 的 Avro 消息。
当数据在 kafka 上发布时,Schema 存储在 confluent schema registry
中。
我一直在尝试一些已经在这里讨论过的解决方案 (Integrating Spark Structured Streaming with the Confluent Schema Registry / Reading Avro messages from Kafka with Spark 2.0.2 (structured streaming)) 但无法使其发挥作用。
或者我找不到正确的方法来执行此操作,尤其是当架构存储在某些 Schema Registry
中时。
这是我正在尝试的当前代码,至少我能够得到一些结果
但所有记录都以null
值出现。其实这个话题有数据。
有人可以帮我解决这个问题吗?
import io.confluent.kafka.schemaregistry.client.CachedSchemaRegistryClient, SchemaRegistryClient
import io.confluent.kafka.serializers.AbstractKafkaAvroDeserializer
import org.apache.avro.Schema
import org.apache.avro.generic.GenericRecord
import org.apache.spark.sql.avro.SchemaConverters
object ScalaSparkAvroConsumer
private val topic = "customer.v1"
private val kafkaUrl = "localhost:9092"
private val schemaRegistryUrl = "http://127.0.0.1:8081"
private val schemaRegistryClient = new CachedSchemaRegistryClient(schemaRegistryUrl, 128)
private val kafkaAvroDeserializer = new AvroDeserializer(schemaRegistryClient)
private val avroSchema = schemaRegistryClient.getLatestSchemaMetadata(topic + "-value").getSchema
private var sparkSchema = SchemaConverters.toSqlType(new Schema.Parser().parse(avroSchema))
def main(args: Array[String]): Unit =
val spark = getSparkSession()
spark.sparkContext.setLogLevel("ERROR")
spark.udf.register("deserialize", (bytes: Array[Byte]) =>
DeserializerWrapper.deserializer.deserialize(bytes)
)
val df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", kafkaUrl)
.option("subscribe", topic)
.option("startingOffsets", "earliest")
.load()
val valueDataFrame = df.selectExpr("""deserialize(value) AS message""")
import org.apache.spark.sql.functions._
val formattedDataFrame = valueDataFrame.select(
from_json(col("message"), sparkSchema.dataType).alias("parsed_value"))
.select("parsed_value.*")
formattedDataFrame
.writeStream
.format("console")
.option("truncate", false)
.start()
.awaitTermination()
object DeserializerWrapper
val deserializer = kafkaAvroDeserializer
class AvroDeserializer extends AbstractKafkaAvroDeserializer
def this(client: SchemaRegistryClient)
this()
this.schemaRegistry = client
override def deserialize(bytes: Array[Byte]): String =
val genericRecord = super.deserialize(bytes).asInstanceOf[GenericRecord]
genericRecord.toString
得到如下输出:
-------------------------------------------
Batch: 0
-------------------------------------------
+------+-------+
|header|control|
+------+-------+
|null |null |
|null |null |
|null |null |
|null |null |
+------+-------+
only showing top 20 rows
【问题讨论】:
Integrating Spark Structured Streaming with the Confluent Schema Registry的可能重复 我已经按照描述中的说明尝试了这些,但无法使其工作。你能给我建议吗? 我在那里写了答案,并且可以验证它对我有用。如果您得到 null,则生成的架构可能与记录内容不一致。那里的答案没有使用.asInstanceOf[GenericRecord]
,例如
你能检查一下valueDataFrame
里面有什么吗?可以valueDataFrame.writeStream.format("console")
吗?为了更容易调试,使用read
(Spark SQL)而不是readStream
(结构化流),直到它为您提供正确的值。
是的,我使用了read
,它给了我这样的实际信息。 "header": "Id": "123","control": "subject": "EOD"
【参考方案1】:
Avro 序列化、Kafka 模式服务器和 Spark Streaming 与 from_confluence_avro() 的集成将使您的生活更轻松。你可以在这里找到它:
https://github.com/AbsaOSS/ABRiS
【讨论】:
以上是关于Spark:使用 Spark Scala 从 Kafka 读取 Avro 消息的主要内容,如果未能解决你的问题,请参考以下文章
是否可以从 Scala(spark) 调用 python 函数
使用 Scala 从 Spark 的 withColumn 中调用 udf 时出错
在 EMR 中使用 spark ad scala 从 redshift 加载数据