apache-spark - 如何将字节从 Kafka 转换为原始对象？

Question

我正在从 Kafka 获取数据，然后反序列化 Array[Byte]使用默认解码器，然后我的 RDD 元素看起来像 (null,[B@406fa9b2) , (null,[B@21a9fe0)但我想要我的原始数据有一个架构，那么我该如何实现呢？

我以 Avro 格式序列化消息。

Answer 1

您必须使用适当的解串器对字节进行解码，比如字符串或您的自定义对象。

如果你不做解码，你会得到 [B@406fa9b2这只是 Java 中字节数组的文本表示。

Kafka 对消息的内容一无所知，因此它将字节数组从生产者传递给消费者。

在 Spark Streaming 中，您必须对键和值使用序列化程序(引用 KafkaWordCount example):

props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,
  "org.apache.kafka.common.serialization.StringSerializer")
props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,
  "org.apache.kafka.common.serialization.StringSerializer")

使用上述序列化程序，您将获得 DStream[String]所以你和 RDD[String] 一起工作.

但是，如果您想直接将字节数组反序列化为自定义类，则必须编写自定义 Serializer (这是 Kafka 特有的，与 Spark 无关)。

我建议使用具有固定架构或 Avro 的 JSON(使用 Kafka, Spark and Avro - Part 3, Producing and consuming Avro messages 中描述的解决方案)。

在 Structured Streaming但是管道可能如下所示:

val fromKafka = spark.
  readStream.
  format("kafka").
  option("subscribe", "topic1").
  option("kafka.bootstrap.servers", "localhost:9092").
  load.
  select('value cast "string") // <-- conversion here