我想将数据流转换为具有模式信息的数据流
输入
args [0] DataStream
{"fields":["China","Beijing"]}
args [1]模式
message spark_schema {
optional binary country (UTF8);
optional binary city (UTF8);
}
期望输出
{"country":"china", "city":"beijing"}
我这样的代码
public DataStream<String> convert(DataStream source, MessageType messageType) {
SingleOutputStreamOperator<String> dataWithSchema = source.map((MapFunction<Row, String>) row -> {
JSONObject data = new JSONObject();
this.fields = messageType.getFields().stream().map(Type::getName).collect(Collectors.toList());
for (int i = 0; i < fields.size(); i++) {
data.put(fields.get(i), row.getField(i));
}
return data.toJSONString();
});
return dataWithSchema;
}
异常错误
Exception in thread "main" org.apache.flink.api.common.InvalidProgramException: Object com.xxxx.ParquetDataSourceReader$$Lambda$64/1174881426@d78795 is not serializable
at org.apache.flink.api.java.ClosureCleaner.ensureSerializable(ClosureCleaner.java:180)
at org.apache.flink.streaming.api.environment.StreamExecutionEnvironment.clean(StreamExecutionEnvironment.java:1823)
at org.apache.flink.streaming.api.datastream.DataStream.clean(DataStream.java:188)
at org.apache.flink.streaming.api.datastream.DataStream.map(DataStream.java:590)
但是下面的代码可以正常工作
public DataStream<String> convert(DataStream source, MessageType messageType) {
if (this.fields == null) {
throw new RuntimeException("The schema of AbstractRowStreamReader is null");
}
List<String> field = messageType.getFields().stream().map(Type::getName).collect(Collectors.toList());
SingleOutputStreamOperator<String> dataWithSchema = source.map((MapFunction<Row, String>) row -> {
JSONObject data = new JSONObject();
for (int i = 0; i < field.size(); i++) {
data.put(field.get(i), row.getField(i));
}
return data.toJSONString();
});
return dataWithSchema;
}
Flink映射运算符如何组合外部复杂POJO?
为了使Flink在各个任务之间分配代码,代码必须完全为Serializable
。在您的第一个示例中,它不是。在第二个是。特别地,Type::getName
将生成不是Serializable
的lambda。
[要获得Serializable
的lambda,您需要将其显式转换为可序列化的接口(例如Flink MapFunction
)或将其与(Serializable & Function)
一起使用
由于第二个也节省了计算,因此在任何情况下都更好。在作业编译期间,转换将仅执行一次,而每条记录将调用DataStream#map
。如果不清楚,我建议在IDE中执行它并使用断点。