我想阅读kafka主题,然后通过spark streaming将其写入kudu表。
// sessions and contexts
val conf = new SparkConf().setMaster("local[2]").setAppName("TestMain")
val sparkSession = SparkSession.builder().config(conf).getOrCreate()
val sparkContext = sparkSession.sparkContext
val kuduContext = new KuduContext("...", sparkContext);
// structure
val schema: StructType = StructType(
StructField("userNo", IntegerType, true) ::
StructField("bandNo", IntegerType, false) ::
StructField("ipv4", StringType, false) :: Nil);
// kudu - prepare table
kuduContext.deleteTable("test_table");
kuduContext.createTable("test_table", schema, Seq("userNo"), new CreateTableOptions()
.setNumReplicas(1)
.addHashPartitions(List("userNo").asJava, 3))
// get stream from kafka
val parsed = sparkSession
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "...")
.option("startingOffsets", "latest")
.option("subscribe", "feed_api_band_get_popular_post_list")
.load()
.select(from_json(col("value").cast("string"), schema).alias("parsed_value"))
// write it to kudu
kuduContext.insertRows(parsed.toDF(), "test_table");
现在它抱怨
Exception in thread "main" org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;
kafka
at org.apache.spark.sql.catalyst.analysis.UnsupportedOperationChecker$.org$apache$spark$sql$catalyst$analysis$UnsupportedOperationChecker$$throwError(UnsupportedOperationChecker.scala:297)
at org.apache.spark.sql.catalyst.analysis.UnsupportedOperationChecker$$anonfun$checkForBatch$1.apply(UnsupportedOperationChecker.scala:36)
我似乎改变了我的代码以使用传统的KafkaUtils.createDirectStream
KafkaUtils.createDirectStream[String, String](
ssc,
PreferConsistent,
Subscribe[String, String](topics, kafkaParams)
).foreachRDD(rdd => {
rdd.foreach(record => {
// write to kudu.............
println(record.value());
})
});
ssc.start();
ssc.awaitTermination();
那么,哪一个是正确的方法?或者有没有办法让它从第一种方法运行?
Spark版本是2.2.0。
这两种方法都是正确的。第一个使用Spark结构化流式处理方式,其中数据以表格形式附加。第二种方法是通过传统的DStream方式做到的
我相信目前没有Kudu支持将KuduContext与Spark结构化流式传输一起使用。我有一个类似的问题,不得不依靠使用传统的Kudu客户端和实现ForeachWriter [Row]类。我使用了here的例子并且能够实现解决方案。
第一种方法是不正确的,因为您已经可以从错误中看到,这是非常明确的:Queries with streaming sources must be executed with writeStream.start()
。这只适用于批处理。
第二个使用DStream
,所以没有结构化流媒体。
有第3和第4种方法。
从Kudu 1.9.0开始,固定的issue支持结构化流,并按预期使用:
parsed
.writeStream
.format("kudu")
.option("kudu.master", kuduMaster)
.option("kudu.table", tableName)
.option("kudu.operation", operation)
.start()
请注意,如果您使用的是Cloudera,则此方法仅适用于cdh6.2.0及更高版本:
<!-- https://mvnrepository.com/artifact/org.apache.kudu/kudu-spark2 -->
<dependency>
<groupId>org.apache.kudu</groupId>
<artifactId>kudu-spark2_2.11</artifactId>
<version>1.9.0-cdh6.2.0</version>
<scope>test</scope>
</dependency>
我的解决方案是查看code from SparkContext,看看kuduContext.insertRows(df, table)
和其他方法做什么,并创建一个ForeachWriter[Row]
:
val kuduContext = new KuduContext(master, sparkContext)
parsed
.toDF()
.writeStream
.foreach(new ForeachWriter[Row] {
override def open(partitionId: Long, version: Long): Boolean =
kuduContext.tableExists(table)
override def process(value: Row): Unit = {
val kuduClient = kuduContext.syncClient
val kuduSession = kuduClient.newSession()
kuduSession.setFlushMode(SessionConfiguration.FlushMode.AUTO_FLUSH_BACKGROUND)
kuduSession.setIgnoreAllDuplicateRows(ignoreDuplicates)
val kuduTable = kuduClient.openTable(kuduSinkConfiguration.table)
val operation = getOperationFunction(kuduTable) //get the kuduTable.newInsert(), newUpsert(), etc.
kuduSession.setIgnoreAllDuplicateRows(ignoreDuplicates)
val row = operation.getRow
row.add("userNo", value.getAs[Int]("userNo"))
row.add("bandNo", value.getAs[Int]("bandNo"))
row.add("ipv4", value.getAs[String]("ipv4"))
kuduSession.apply(operation)
kuduSession.flush()
kuduSession.close()
}
override def close(errorOrNull: Throwable): Unit = Unit
})
.start()