如何使用Java中的结构化流来从Kafka反序列化记录？

Question

我使用Spark 2.1 。

我试图使用Spark Structured Streaming从Kafka读取记录，反序列化它们并在之后应用聚合。

我有以下代码：

SparkSession spark = SparkSession
        .builder()
        .appName("Statistics")
        .getOrCreate();

Dataset<Row> df = spark
        .readStream()
        .format("kafka")
        .option("kafka.bootstrap.servers", kafkaUri)
        .option("subscribe", "Statistics")
        .option("startingOffsets", "earliest")
        .load();

df.selectExpr("CAST(value AS STRING)")

我想要的是将value字段反序列化为我的对象而不是像String 。

我有一个自定义反序列化器。

public StatisticsRecord deserialize(String s, byte[] bytes)

我怎么能用Java做到这一点？

---

我找到的唯一相关链接是这个https://databricks.com/blog/2017/04/26/processing-data-in-apache-kafka-with-structured-streaming-in-apache-spark-2-2 .html ，但这是针对Scala的。

Answer 1

定义JSON消息的模式。

StructType schema = DataTypes.createStructType(new StructField[] { 
                DataTypes.createStructField("Id", DataTypes.IntegerType, false),
                DataTypes.createStructField("Name", DataTypes.StringType, false),
                DataTypes.createStructField("DOB", DataTypes.DateType, false) });

现在阅读下面的消息。 MessageData是JSON消息的JavaBean。

Dataset<MessageData> df = spark
            .readStream()
            .format("kafka")
            .option("kafka.bootstrap.servers", kafkaUri)
            .option("subscribe", "Statistics")
            .option("startingOffsets", "earliest")
            .load()
            .selectExpr("CAST(value AS STRING) as message")
            .select(functions.from_json(functions.col("message"),schema).as("json"))
            .select("json.*")
            .as(Encoders.bean(MessageData.class));  

Answer 2

如果您的数据库中有自定义反序列化器，请在load后从Kafka获取的字节数上使用它。

df.select("value")

该行为您提供只有一个列value Dataset<Row> 。

---

我只使用Scala的Spark API，所以我在Scala中执行以下操作来处理“反序列化”案例：

import org.apache.spark.sql.Encoders
implicit val statisticsRecordEncoder = Encoders.product[StatisticsRecord]
val myDeserializerUDF = udf { bytes => deserialize("hello", bytes) }
df.select(myDeserializerUDF($"value") as "value_des")

这应该会给你你想要的......在Scala中。 将它转换为Java是你的家庭练习:)

请注意，您的自定义对象必须具有可用的编码器，否则Spark SQL将拒绝将其对象放入数据集中。