【发布时间】:2020-04-28 21:31:39
【问题描述】:
将 json 写入 Kafka 主题并从 kafka 主题中读取 json。实际上我订阅主题并逐行编写控制台。但我必须下沉/写入文件 csv.但我不能。我写了一次 csv 但不追加。
您可以在下面看到我的代码。
谢谢!
import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.types import *
import pyspark.sql.functions as func
spark = SparkSession.builder\
.config('spark.jars.packages', 'org.apache.spark:spark-sql-kafka-0-10_2.11:2.3.0') \
.appName('kafka_stream_test')\
.getOrCreate()
ordersSchema = StructType() \
.add("a", StringType()) \
.add("b", StringType()) \
.add("c", StringType()) \
.add("d", StringType())\
.add("e", StringType())\
.add("f", StringType())
df = spark \
.readStream \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("subscribe", "product-views") \
.load()\
df_query = df \
.selectExpr("cast(value as string)") \
.select(func.from_json(func.col("value").cast("string"),ordersSchema).alias("parsed"))\
.select("parsed.a","parsed.b","parsed.c","parsed.d","parsed.e","parsed.f")\
df = df_query \
.writeStream \
.format("csv")\
.trigger(processingTime = "5 seconds")\
.option("path", "/var/kafka_stream_test_out/")\
.option("checkpointLocation", "/user/kafka_stream_test_out/chk") \
.start()
df.awaitTermination()
【问题讨论】:
-
为什么还要附加到同一个文件?几乎所有 Hadoop 进程都能够读取整个目录,这就是它们的用途。因此 Spark 默认会写入多个文件
标签: python-3.x apache-spark pyspark apache-kafka spark-structured-streaming