在代码中 如果不是 df.head(1).isEmpty: 我遇到了异常,
Exception has occurred: pyspark.sql.utils.AnalysisException 'Queries with streaming sources must be executed with writeStream.start();;\nkafka'
我不知道如何在流数据中使用 if 。 当我使用 jupyter 执行每一行时,代码很好,我可以得到结果。但使用 .py 不好。
我的目的是这样的:我想使用流式传输每秒从kafka获取数据,然后我将每批流数据(一批意味着我一秒钟得到的数据)转换为pandas dataframe,然后我使用pandas函数对数据进行处理,最后将结果发送到其他kafka主题。
请帮助我,并原谅我的台球英语,非常感谢。
sc = SparkContext("local[2]", "OdometryConsumer")
spark = SparkSession(sparkContext=sc) \
.builder \
.appName("StructuredNetworkWordCount") \
.getOrCreate()
# Enable Arrow-based columnar data transfers
spark.conf.set("spark.sql.execution.arrow.enabled", "true")
df = spark \
.readStream \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("subscribe", "data") \
.load()
ds = df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
print(type(ds))
if not df.head(1).isEmpty:
alertQuery = ds \
.writeStream \
.queryName("qalerts")\
.format("memory")\
.start()
alerts = spark.sql("select * from qalerts")
pdAlerts = alerts.toPandas()
a = pdAlerts['value'].tolist()
d = []
for i in a:
x = json.loads(i)
d.append(x)
df = pd.DataFrame(d)
print(df)
ds = df['jobID'].unique().tolist()
dics = {}
for source in ds:
ids = df.loc[df['jobID'] == source, 'id'].tolist()
dics[source]=ids
print(dics)
query = ds \
.writeStream \
.queryName("tableName") \
.format("console") \
.start()
query.awaitTermination()
最佳答案
删除if not df.head(1).isEmpty:
,你应该没问题。
异常的原因很简单,即流式查询是一种永远不会结束并且不断执行的结构化查询。根本不可能查看单个元素,因为不存在“单个元素”,而是(可能)有数千个元素,并且很难判断何时您想查看幕后并只看到一个元素单个元素。
关于apache-spark - 发生异常 : pyspark. sql.utils.AnalysisException 'Queries with streaming sources must be executed with writeStream.start();;\nkafka',我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54472860/