Spark结构化流到kudu上下文

问题描述 投票:1回答:3

我想阅读kafka主题,然后通过spark streaming将其写入kudu表。

My first approach

// 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)

My second approach

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。

apache-spark-sql spark-streaming apache-kudu
3个回答
1
投票

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


1
投票

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。


1
投票

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()
© www.soinside.com 2019 - 2024. All rights reserved.