Apache Spark-在流事件中捕获Kafka数据以触发工作流

Question

简而言之，我是一名尝试使用Spark将数据从一个系统移动到另一个系统的开发人员。 在一个系统中将原始数据整理，汇总成一个本地分析系统。

我是Spark的新手-我的知识仅限于过去一两周我能够挖掘和尝试的知识。

我在想的是 使用Spark监视来自Kafka的事件作为触发。 在消费者事件中捕获该实体/数据，并使用它来告诉我在分析系统中需要更新的内容。 然后，我将对原始Cassandra数据运行相关的Spark查询，并将结果写入分析侧的另一张表，仪表板指标将其称为数据源。

我有一个简单的Kafka结构化流查询工作。 虽然我可以看到消耗的对象已输出到控制台，但是当使用者事件发生时，我无法检索Kafka记录：

try {
    SparkSession spark = SparkSession
        .builder()
        .master(this.sparkMasterAddress)
        .appName("StreamingTest2")
        .getOrCreate();

    //THIS -> None of these events seem to give me the data consumed?
    //...thinking I'd trigger the Cassandra write from here?
    spark.streams().addListener(new StreamingQueryListener() {
        @Override
        public void onQueryStarted(QueryStartedEvent queryStarted) {
            System.out.println("Query started: " + queryStarted.id());
        }
        @Override
        public void onQueryTerminated(QueryTerminatedEvent queryTerminated) {
            System.out.println("Query terminated: " + queryTerminated.id());
        }
        @Override
        public void onQueryProgress(QueryProgressEvent queryProgress) {
            System.out.println("Query made progress: " + queryProgress.progress());
        }
    });

    Dataset<Row> reader = spark
        .readStream()
        .format("kafka")
        .option("startingOffsets", "latest")
        .option("kafka.bootstrap.servers", "...etc...")
        .option("subscribe", "my_topic")
        .load();

    Dataset<String> lines = reader
        .selectExpr("cast(value as string)")
        .as(Encoders.STRING());

    StreamingQuery query = lines
        .writeStream()
        .format("console")
        .start();
    query.awaitTermination();
} catch (Exception e) {
    e.printStackTrace();
}

我也可以用Spark SQL查询Cassandra：

try {
    SparkSession spark = SparkSession.builder()
        .appName("SparkSqlCassandraTest")
        .master("local[2]")
        .getOrCreate();

    Dataset<Row> reader = spark
        .read()
        .format("org.apache.spark.sql.cassandra")
        .option("host", this.cassandraAddress)
        .option("port", this.cassandraPort)
        .option("keyspace", "my_keyspace")
        .option("table", "my_table")
        .load();

    reader.printSchema();
    reader.show();

    spark.stop();
} catch (Exception e) {
    e.printStackTrace();
}

我的想法是； 使用前者触发后者，将其捆绑为Spark应用程序/程序包/任何东西，并将其部署到spark中。 到那时，我希望它能够不断将更新推送到指标表。

这将是我需要的可行，可扩展，合理的解决方案吗？ 我在正确的道路上吗？ 如果某种程度上更轻松或更佳，则不反对使用Scala。

谢谢！

编辑 ：这是我要面对的图。

Answer 1

得到它了。 了解了有关ForeachWriter的信息。 效果很好：

        StreamingQuery query = lines
            .writeStream()
            .format("foreach")
            .foreach(new ForeachWriter<String>() {
                @Override
                public void process(String value) {
                    System.out.println("process() value = " + value);
                }

                @Override
                public void close(Throwable errorOrNull) {}

                @Override
                public boolean open(long partitionId, long version) {
                    return true;
                }
            })
            .start();