使用模式将带有 Spark 的 AVRO 消息转换为 DataFrame

Question

有没有办法使用架构将avro 消息从kafka 与spark 转换为dataframe？用户记录的架构文件：

{
  "fields": [
    { "name": "firstName", "type": "string" },
    { "name": "lastName", "type": "string" }
  ],
  "name": "user",
  "type": "record"
}

并从SqlNetworkWordCount example 和Kafka, Spark and Avro - Part 3, Producing and consuming Avro messages 编码sn-ps 以读取消息。

object Injection {
  val parser = new Schema.Parser()
  val schema = parser.parse(getClass.getResourceAsStream("/user_schema.json"))
  val injection: Injection[GenericRecord, Array[Byte]] = GenericAvroCodecs.toBinary(schema)
}

...

messages.foreachRDD((rdd: RDD[(String, Array[Byte])]) => {
  val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext)
  import sqlContext.implicits._

  val df = rdd.map(message => Injection.injection.invert(message._2).get)
    .map(record => User(record.get("firstName").toString, records.get("lastName").toString)).toDF()

  df.show()
})

case class User(firstName: String, lastName: String)

不知何故，除了使用案例类将 AVRO 消息转换为 DataFrame 之外，我找不到其他方法。是否有可能改用模式？我正在使用Spark 1.6.2 和Kafka 0.10。

完整的代码，如果你感兴趣的话。

import com.twitter.bijection.Injection
import com.twitter.bijection.avro.GenericAvroCodecs
import kafka.serializer.{DefaultDecoder, StringDecoder}
import org.apache.avro.Schema
import org.apache.avro.generic.GenericRecord
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SQLContext
import org.apache.spark.streaming.kafka._
import org.apache.spark.streaming.{Seconds, StreamingContext, Time}
import org.apache.spark.{SparkConf, SparkContext}

object ReadMessagesFromKafka {
  object Injection {
    val parser = new Schema.Parser()
    val schema = parser.parse(getClass.getResourceAsStream("/user_schema.json"))
    val injection: Injection[GenericRecord, Array[Byte]] = GenericAvroCodecs.toBinary(schema)
  }

  def main(args: Array[String]) {
    val brokers = "127.0.0.1:9092"
    val topics = "test"

    // Create context with 2 second batch interval
    val sparkConf = new SparkConf().setAppName("ReadMessagesFromKafka").setMaster("local[*]")
    val ssc = new StreamingContext(sparkConf, Seconds(2))

    // Create direct kafka stream with brokers and topics
    val topicsSet = topics.split(",").toSet
    val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)
    val messages = KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder](
  ssc, kafkaParams, topicsSet)

    messages.foreachRDD((rdd: RDD[(String, Array[Byte])]) => {
      val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext)
      import sqlContext.implicits._

      val df = rdd.map(message => Injection.injection.invert(message._2).get)
    .map(record => User(record.get("firstName").toString, records.get("lastName").toString)).toDF()

      df.show()
    })

    // Start the computation
    ssc.start()
    ssc.awaitTermination()
  }
}

/** Case class for converting RDD to DataFrame */
case class User(firstName: String, lastName: String)

/** Lazily instantiated singleton instance of SQLContext */
object SQLContextSingleton {
  @transient  private var instance: SQLContext = _

  def getInstance(sparkContext: SparkContext): SQLContext = {
    if (instance == null) {
      instance = new SQLContext(sparkContext)
    }
    instance
  }
}

Answer 1

OP 可能解决了这个问题，但为了将来参考，我很一般地解决了这个问题，所以认为在这里发帖可能会有所帮助。

所以一般来说，您应该将 Avro 模式转换为 spark StructType，并将 RDD 中的对象转换为 Row[Any]，然后使用：

spark.createDataFrame(<RDD[obj] mapped to RDD[Row}>,<schema as StructType>

为了转换 Avro 架构，我使用了 spark-avro，如下所示：

SchemaConverters.toSqlType(avroSchema).dataType.asInstanceOf[StructType]

RDD 的转换更加棘手.. 如果您的架构很简单，您可能只需做一个简单的映射.. 像这样：

rdd.map(obj=>{
    val seq = (obj.getName(),obj.getAge()
    Row.fromSeq(seq))
    })

在本例中，对象有 2 个字段名称和年龄。

重要的是要确保 Row 中的元素与之前的 StructType 中的字段的顺序和类型相匹配。

在我的特殊情况下，我有一个更复杂的对象，我想对其进行通用处理以支持未来的架构更改，因此我的代码要复杂得多。

OP 建议的方法也应该适用于某些情况，但很难暗示复杂对象（不是原始对象或案例类）

另一个提示是，如果您在一个类中有一个类，您应该将该类转换为一个 Row，以便包装类将转换为类似：

Row(Any,Any,Any,Row,...)

您还可以查看我之前提到的 spark-avro 项目，了解如何将对象转换为行。我自己使用了那里的一些逻辑

如果有人阅读本文需要进一步帮助，请在 cmets 中问我，我会尽力提供帮助

类似的问题也解决了here。

Answer 2

请看这个 https://github.com/databricks/spark-avro/blob/master/src/test/scala/com/databricks/spark/avro/AvroSuite.scala

所以不是

 val df = rdd.map(message => Injection.injection.invert(message._2).get)
.map(record => User(record.get("firstName").toString,records.get("lastName").toString)).toDF()

你可以试试这个

 val df = spark.read.avro(message._2.get)

Answer 3

我曾处理过类似的问题，但使用的是 Java。所以不确定 Scala，但请查看库 com.databricks.spark.avro。

Answer 4

对于有兴趣以无需停止和重新部署 Spark 应用程序（假设您的应用程序逻辑可以处理此问题）的方式处理架构更改的方式处理此问题的任何人，请参阅此question/answer。