apache-spark - 如何将字节从 Kafka 转换为其原始对象？

Question

我从 Kafka 获取数据，然后反序列化Array[Byte]使用默认解码器，之后我的 RDD 元素看起来像(null,[B@406fa9b2)，(null,[B@21a9fe0)但我想要具有模式的原始数据，那么我该如何实现呢？

我以 Avro 格式序列化消息。

Answer 1

您必须使用适当的反序列化器解码字节，例如字符串或您的自定义对象。

如果你不进行解码，你得到[B@406fa9b2的只是 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 示例）：

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DStream[String]，您可以使用RDD[String].

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 特定的，与 Spark 无关）。

我建议使用带有固定架构或 Avro 的 JSON（使用Kafka、Spark 和 Avro - 第 3 部分，生产和使用 Avro 消息中描述的解决方案）。

---

然而，在结构化流中，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