3

我有一个流数据集，从 kafka 读取并尝试写入 CSV

case class Event(map: Map[String,String])
def decodeEvent(arrByte: Array[Byte]): Event = ...//some implementation
val eventDataset: Dataset[Event] = spark
  .readStream
  .format("kafka")
  .load()
  .select("value")
  .as[Array[Byte]]
  .map(decodeEvent)

Event保存Map[String,String]在里面并写入 CSV 我需要一些架构。

假设所有字段都是类型String，所以我尝试了spark repo中的示例

val columns = List("year","month","date","topic","field1","field2")
val schema = new StructType() //Prepare schema programmatically
columns.foreach { field => schema.add(field, "string") }
val rowRdd = eventDataset.rdd.map { event => Row.fromSeq(
     columns.map(c => event.getOrElse(c, "")
)}
val df = spark.sqlContext.createDataFrame(rowRdd, schema)

这会在“eventDataset.rdd”行的运行时产生错误：

引起：org.apache.spark.sql.AnalysisException：带有流源的查询必须用writeStream.start();;

下面不起作用，因为 '.map' 有一个 List[String] 而不是 Tuple

eventDataset.map(event => columns.map(c => event.getOrElse(c,""))
.toDF(columns:_*)

有没有办法通过编程模式和结构化流数据集来实现这一点？

4

1 回答 1

2

我会使用更简单的方法：

import org.apache.spark.sql.functions._

eventDataset.select(columns.map(
  c => coalesce($"map".getItem(c), lit("")).alias(c)
): _*).writeStream.format("csv").start(path)

但是如果你想要更接近当前解决方案的东西，请跳过 RDD 转换

import org.apache.spark.sql.catalyst.encoders.RowEncoder

eventDataset.rdd.map(event =>
  Row.fromSeq(columns.map(c => event.getOrElse(c,"")))
)(RowEncoder(schema)).writeStream.format("csv").start(path)
于 2017-07-28T19:21:41.007 回答