[英]Is there a way to set up structured streaming with pyspark from Kafka to Cassandra
[英]How to deal with pySpark structured streaming coming from Kafka to Cassandra
我正在使用 pyspark 从 Kafka 获取数据并将其插入 cassandra。我快到了,我只需要最后一步。
def Spark_Kafka_Receiver():
# STEP 1 OK!
dc = spark \
.readStream \
.format("kafka") \
.option("kafka.bootstrap.servers", "000.00.0.240:9092") \
.option("subscribe", "MyTopic") \
.load()
dc.selectExpr("CAST(key as STRING)", "CAST(value AS STRING) as msg")
# STEP 2 OK!
dc.writeStream \
.outputMode("append") \
.foreachBatch(foreach_batch_function) \
.start() \
.awaitTermination()
# STEP 3 NEED HELP
def foreach_batch_function(df, epoch_id):
Value = df.select(df.value)
???????
# WRITE DATA FRAME ON CASSANDRA
df.write \
.format("org.apache.spark.sql.cassandra") \
.mode('append') \
.options(table=table_name, keyspace=keyspace) \
.save()
所以我有这种格式的价值:
DataFrame[值:二进制]
我需要插入一些东西来打开我的值,将二进制文件放入其中,并创建一个漂亮的 dataframe,格式正确,可以匹配数据库,并用它执行我代码的最后一部分。
您不再需要使用foreachBatch
。 您只需要升级到原生支持 Spark Structured Streaming 的 Spark Cassandra Connector 2.5,这样您就可以编写:
dc.writeStream \
.format("org.apache.spark.sql.cassandra") \
.mode('append') \
.options(table=table_name, keyspace=keyspace)
.start() \
.awaitTermination()
关于你问题的第二部分——如果你想将你的值转换成多列,你需要使用from_json
function,将模式传递给它。 这是 Scala 中的示例,但 Python 代码应该非常相似:
val schemaStr = "id:int, value:string"
val schema = StructType.fromDDL(schemaStr)
val data = dc.selectExpr("CAST(value AS STRING)")
.select(from_json($"value", schema).as("data"))
.select("data.*").drop("data")
然后您可以通过writeStream
写入该数据
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.