[英]Pyspark Structured streaming processing
我正在尝试使用 spark 制作一个结构化的流应用程序,主要思想是从 kafka 源读取,处理输入,写回另一个主题。 我已经成功地对 kafka 进行了 spark 读写,但是我的问题出在处理部分。 我已经尝试使用 foreach 函数来捕获每一行并在写回 kafka 之前处理它,但是它总是只执行 foreach 部分并且从不写回 kafka。 但是,如果我从写入流中删除 foreach 部分,它将继续写入,但现在我丢失了处理。
如果有人能给我一个关于如何用一个例子来做到这一点的例子,我将非常感激。
这是我的代码
spark = SparkSession \
.builder \
.appName("StructuredStreamingTrial") \
.getOrCreate()
df = spark \
.readStream \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("subscribe", "KafkaStreamingSource") \
.load()
ds = df \
.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")\
.writeStream \
.outputMode("update") \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("topic", "StreamSink") \
.option("checkpointLocation", "./testdir")\
.foreach(foreach_function)
.start().awaitTermination()
而foreach_function
就是
def foreach_function(df):
try:
print(df)
except:
print('fail')
pass
在基于 Pyspark 的 Structured Streaming API 中对写入 Kafka sink 之前的数据进行处理,我们可以使用 UDF 函数轻松处理任何类型的复杂转换。
示例代码在下面。 这段代码试图读取 JSON 格式的消息 Kafka 主题并解析该消息以将消息从 JSON 转换为 CSV 格式并重写为另一个主题。 您可以处理任何处理转换来代替 'json_formatted' 函数。
from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *
from pyspark.streaming import StreamingContext
from pyspark.sql.column import Column, _to_java_column
from pyspark.sql.functions import col, struct
from pyspark.sql.functions import udf
import json
import csv
import time
import os
# Spark Streaming context :
spark = SparkSession.builder.appName('pda_inst_monitor_status_update').getOrCreate()
sc = spark.sparkContext
ssc = StreamingContext(sc, 20)
# Creating readstream DataFrame :
df = spark \
.readStream \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("subscribe", "KafkaStreamingSource") \
.load()
df1 = df.selectExpr( "CAST(value AS STRING)")
df1.registerTempTable("test")
def json_formatted(s):
val_dict = json.loads(s)
return str([
val_dict["after"]["ID"]
, val_dict["after"]["INST_NAME"]
, val_dict["after"]["DB_UNIQUE_NAME"]
, val_dict["after"]["DBNAME"]
, val_dict["after"]["MON_START_TIME"]
, val_dict["after"]["MON_END_TIME"]
]).strip('[]').replace("'","").replace('"','')
spark.udf.register("JsonformatterWithPython", json_formatted)
squared_udf = udf(json_formatted)
df1 = spark.table("test")
df2 = df1.select(squared_udf("value"))
# Declaring the Readstream Schema DataFrame :
df2.coalesce(1).writeStream \
.writeStream \
.outputMode("update") \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("topic", "StreamSink") \
.option("checkpointLocation", "./testdir")\
.start()
ssc.awaitTermination()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.