如何在 Spark Streaming 应用程序中使用 Kafka 主题？

Question

当我从 Kafka 主题创建流并打印其内容时

    import os
    os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.0.2 pyspark-shell'
    from pyspark import SparkContext
    from pyspark.streaming import StreamingContext
    from pyspark.streaming.kafka import KafkaUtils

    sc = SparkContext(appName="PythonStreamingKafkaWords")
    ssc = StreamingContext(sc, 10)

    lines = KafkaUtils.createDirectStream(ssc, ['sample_topic'], {"bootstrap.servers": 'localhost:9092'})

    lines.pprint()

    ssc.start()
    ssc.awaitTermination()

我得到一个空结果

    -------------------------------------------
    Time: 2019-12-07 13:11:50
    -------------------------------------------

    -------------------------------------------
    Time: 2019-12-07 13:12:00
    -------------------------------------------

    -------------------------------------------
    Time: 2019-12-07 13:12:10
    -------------------------------------------

同时，它在控制台中工作：

    kafka-console-consumer --topic sample_topic --from-beginning --bootstrap-server localhost:9092

正确地给出了我在 Kafka 主题中的所有文本行：

    ham Ok lor... Sony ericsson salesman... I ask shuhui then she say quite gd 2 use so i considering...
    ham Ard 6 like dat lor.
    ham Why don't you wait 'til at least wednesday to see if you get your .
    ham Huh y lei...
    spam    REMINDER FROM O2: To get 2.50 pounds free call credit and details of great offers pls reply 2 this text with your valid name, house no and postcode
    spam    This is the 2nd time we have tried 2 contact u. U have won the £750 Pound prize. 2 claim is easy, call 087187272008 NOW1! Only 10p per minute. BT-national-rate.
    ham Will ü b going to esplanade fr home?
    . . . 

将数据从 Kafka 主题流式传输到 Spark 流式应用程序的正确方法是什么？

Answer 1

根据您的代码，我们无法直接打印流式 RDD，应该基于 foreachRDD 进行打印。DStream.foreachRDD 是 Spark Streaming 中的“输出运算符”。它允许您访问 DStream 的底层 RDD 以执行对数据执行实际操作的操作。

What's the meaning of DStream.foreachRDD function?

注意：：您也可以通过结构化流式传输来实现。参考：Pyspark Structured streaming processing

示例工作代码：此代码尝试从 kafka 主题读取消息并打印它。您可以根据需要更改此代码。

from pyspark import SparkConf, SparkContext
from operator import add
import sys
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
import json

def handler(message):
    records = message.collect()
    for record in records:
        print(record[1])

def main():
    sc = SparkContext(appName="PythonStreamingDirectKafkaWordCount")
    ssc = StreamingContext(sc, 10)

    kvs = KafkaUtils.createDirectStream(ssc, ['topic_name'], {"metadata.broker.list": 'localhost:9192'},valueDecoder=serializer.decode_message)
    kvs.foreachRDD(handler)

    ssc.start()
    ssc.awaitTermination()
if __name__ == "__main__":

   main()

Answer 2

您在流输出中看不到任何数据的原因是，默认情况下，spark 流开始从latest 读取数据。因此，如果您先启动 Spark 流应用程序，然后将数据写入 Kafka，您将在流式作业中看到输出。参考文档here：

默认从每个Kafka分区的最新offset开始消费

但您也可以从主题的任何特定偏移量读取数据。看看createDirectStream 方法here。它需要一个dict参数fromOffsets，您可以在其中指定字典中每个分区的偏移量。

我已经使用 kafka 2.2.0 和 spark 2.4.3 和 Python 3.7.3 测试了以下代码：

使用 kafka 依赖项启动 pyspark shell：

pyspark --packages org.apache.spark:spark-streaming-kafka-0-8-assembly_2.11:2.4.0

运行以下代码：

from pyspark.streaming.kafka import KafkaUtils, TopicAndPartition
from pyspark.streaming import StreamingContext
ssc = StreamingContext(sc, 1)
topicPartion = TopicAndPartition('test',0)
fromOffset = {topicPartion: 0}

lines = KafkaUtils.createDirectStream(ssc, ['test'],{"bootstrap.servers": 'localhost:9092'}, fromOffsets=fromOffset)

lines.pprint()

ssc.start()
ssc.awaitTermination()

如果你有 kafka 代理版本 10 或更高版本，你应该考虑使用结构化流而不是 Spark 流。请参阅结构化流式处理文档 here 和结构化流式处理与 Kafka 集成 here。

以下是在结构化流中运行的示例代码。 请根据您的 Kafka 版本和 spark 版本使用 jar 版本。 我使用 spark 2.4.3 和 Scala 11 和 kafka 0.10 所以使用 jar spark-sql-kafka-0-10_2.11:2.4.3。

启动pyspark外壳：

pyspark --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.3

df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "localhost:9092") \
  .option("subscribe", "test") \
  .option("startingOffsets", "earliest") \
  .load()


df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)") \
  .writeStream \
  .format("console") \
  .start()

Answer 3

我建议使用 Spark 结构化流。它是 Spark 2 发布的新一代流引擎。您可以在此link 中查看。

对于 Kafka 集成，您可以查看link 上的文档。