java - 如何在流查询(Java)中使用 JSON 数组作为 Kafka 记录?

标签 java json apache-spark apache-kafka spark-structured-streaming

我看过很多从 Kafa 主题读取 JSON 数据的示例。如果我从每个连接的主题中读取一条记录,我就能成功完成此操作,例如:

{"customer_id": "8d267162-1478-11ea-8d71-362b9e155667",
 "product": "Super widget",
 "price": 10,
 "bought_date": "2019-01-01"
}

下面的代码适用于上述用例:

package io.examle;

import org.apache.spark.sql.Column;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.functions;
import org.apache.spark.sql.streaming.StreamingQueryException;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.Metadata;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;

public class Stackoverflow {

    public static void main(String[] args) throws StreamingQueryException {

        StructType schema = new StructType(new StructField[]{
                new StructField("customer_id", DataTypes.StringType, false, Metadata.empty()),  
                new StructField("product", DataTypes.StringType, false, Metadata.empty()),          
                new StructField("price", DataTypes.IntegerType, false, Metadata.empty()),               
                new StructField("bought_date", DataTypes.StringType, false, Metadata.empty()),
            });

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

        // Create a DataSet representing the stream of input lines from Kafka
        Dataset<Row> dataset = spark
                        .readStream()
                        .format("kafka")                
                        .option("kafka.bootstrap.servers", "localhost:9092")
                        .option("subscribe", "utilization")
                        .load()
                        .selectExpr("CAST(value AS STRING) as json");

        dataset.printSchema();

        Column col = new Column("json");

        Dataset<Row> customers = dataset.select(functions.from_json(col,schema).as("data")).select("data.*");           
        customers.printSchema();

        customers.writeStream()      
        .format("console")
        .start()
        .awaitTermination();

    }

}

但在我看来,上述方法效率低下,即连接到 Kafa 以获得每个连接的单个记录。因此,在我看来,传递以下形式的 JSON 数组会更有效。因为每个 json 数组可以存储许多“记录”。

[{
        "customer_id": "8d267162-1478-11ea-8d71-362b9e155667",
        "product": "Super widget",
        "price": 10,
        "bought_date": "2019-01-01"
    },
    {
        "customer_id": "498443a2-1479-11ea-8d71-362b9e155667",
        "product": "Food widget",
        "price": 4,
        "bought_date": "2019-01-01"
    } 
]

问题是我无法解压 JSON 数组并处理它。下面的代码失败:

package io.example;

import org.apache.spark.sql.Column;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.functions;
import org.apache.spark.sql.streaming.StreamingQueryException;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.Metadata;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;

public class Stackoverflow {

    public static void main(String[] args) throws StreamingQueryException {

        StructType schema = new StructType(new StructField[]{
                new StructField("customer_id", DataTypes.StringType, false, Metadata.empty()),  
                new StructField("product", DataTypes.StringType, false, Metadata.empty()),          
                new StructField("price", DataTypes.IntegerType, false, Metadata.empty()),               
                new StructField("bought_date", DataTypes.StringType, false, Metadata.empty()),
            });

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

        // Create a DataSet representing the stream of input lines from Kafka
        Dataset<Row> dataset = spark
                        .readStream()
                        .format("kafka")                
                        .option("kafka.bootstrap.servers", "localhost:9092")
                        .option("subscribe", "utilization")
                        .load()
                        .selectExpr("CAST(value AS STRING) as json");

        dataset.printSchema();

        Column col = new Column("json");

        Dataset<Row> customers = dataset.select(functions.from_json(col,schema).as("data"));            


        Dataset<Row> data = customers.select(functions.explode_outer(functions.explode_outer(new Column("data"))));
        data.printSchema();

         data.writeStream()      
        .format("console")
        .start()
        .awaitTermination();
    }

}




Exception in thread "main" org.apache.spark.sql.AnalysisException: cannot resolve 'explode(`data`)' due to data type mismatch: input to function explode should be array or map type, not struct<customer_id:string,product:string,price:int,bought_date:string>;;

问题:

1) 如何正确编写有效解压 JSON 数组的代码?我怀疑上面针对失败的代码采取的方法是最好的,但我尝试遵循我看到的有关functions.explode() 等的许多示例。

2) 如果奇迹般地失败的代码是正确的方法。如何将结构体转换为数组或映射?

最佳答案

Spark 不会为每个连接提取一条记录。 Kafka API 将一次轮询一批记录。

就 Kafka 的最佳实践而言,多个事件应该拆分为多个对象,而不是填充到数组中,除非它们实际上需要关联,例如,您将有一个“购物车”记录,其中包含“项目”列表一个订单

为了让您的代码正常工作,您的架构必须是 ArrayType (不是结构或映射)。

StructType schema = new StructType(new StructField[]{
            new StructField("customer_id", DataTypes.StringType, false, Metadata.empty()),  
            new StructField("product", DataTypes.StringType, false, Metadata.empty()),          
            new StructField("price", DataTypes.IntegerType, false, Metadata.empty()),               
            new StructField("bought_date", DataTypes.StringType, false, Metadata.empty()),
        });

ArrayType arrSchema = new ArrayType(schema, false);

然后在使用 from_json 时使用数组模式。

关于java - 如何在流查询(Java)中使用 JSON 数组作为 Kafka 记录?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59130355/

相关文章:

java - 如何在 Java 中启用 SSL 3

php - 如何将带有数据的 http header 发送到 rest Api codeigniter?

javascript - 如何获取json对象的部分值

apache-spark - Spark - 从 S3 读取分区数据 - 分区是如何发生的?

python - 使用 map 迭代 PySpark 中的数组列

Java HashMap - 从 HashMap 获取值,用户输入

java - 如何停止TimerTask中的对象?

java - 为什么我会收到 'constructor is undefined` 错误?

python - 如何控制 django REST 框架返回的 JSON 的顺序?

scala - 在执行连接时更新 Spark - Scala 中的 Dataframe 列名称