Apache spark 如何将两者都包括在内;最新;及;带有特定偏移量的JSON;在;“启动补偿”;将数据从Kafka导入Spark结构化流媒体时
我有一个将数据保存到FileLink的流式查询。我正在使用.option(“startingoffset”、“latest”)和一个检查点位置。如果Spark上有任何停机时间,并且当流式查询再次启动时,我不希望在查询停止时开始处理,而不是在这种情况下,我还希望通过指定需要从中处理的用户定义的偏移量来添加(“StartingOffset”,“topicA”:{“0”:23,“1”:-1},“topicB”:{“0”:-2}”) 我试着用不同的程序来实现这一点,但我需要在一个程序中实现这一点Apache spark 如何将两者都包括在内;最新;及;带有特定偏移量的JSON;在;“启动补偿”;将数据从Kafka导入Spark结构化流媒体时,apache-spark,apache-kafka,spark-structured-streaming,Apache Spark,Apache Kafka,Spark Structured Streaming,我有一个将数据保存到FileLink的流式查询。我正在使用.option(“startingoffset”、“latest”)和一个检查点位置。如果Spark上有任何停机时间,并且当流式查询再次启动时,我不希望在查询停止时开始处理,而不是在这种情况下,我还希望通过指定需要从中处理的用户定义的偏移量来添加(“StartingOffset”,“topicA”:{“0”:23,“1”:-1},“topicB”:{“0”:-2}”) 我试着用不同的程序来实现这一点,但我需要在一个程序中实现这一点 imp
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import org.apache.spark.sql.streaming.Trigger
object OSB_offset_kafkaToSpark {
def main(args: Array[String]): Unit = {
val spark = SparkSession.
builder().
appName("OSB_kafkaToSpark").
config("spark.mongodb.output.uri", "spark.mongodb.output.uri=mongodb://somemongodb.com:27018").
getOrCreate()
println("SparkSession -> "+spark)
import spark.implicits._
val df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "somekafkabroker:9092, somekafkabroker:9092")
.option("subscribe", "someTopic")
.option("startingOffsets", "latest")
.option("startingOffsets",""" {"someTopic":{"0":438521}}, "someTopic":{"1":438705}}, "someTopic":{"2":254180}}""")
.option("endingOffsets",""" {"someTopic":{"0":-1}}, "someTopic":{"1":-1}}, "someTopic":{"2":-1}} """)
.option("failOnDataLoss", "false")
.load()
val dfs = df.selectExpr("CAST(value AS STRING)")
val data = dfs.withColumn("splitted", split($"value", "/"))
.select($"splitted".getItem(4).alias("region"), $"splitted".getItem(5).alias("service"), col("value"))
.withColumn("service_type", regexp_extract($"service", """.*(Inbound|Outbound|Outound).*""", 1))
.withColumn("region_type", concat(
when(col("region").isNotNull, col("region")).otherwise(lit("null")), lit(" "),
when(col("service").isNotNull, col("service_type")).otherwise(lit("null"))))
.withColumn("datetime", regexp_extract($"value", """\d{4}-[01]\d-[0-3]\d [0-2]\d:[0-5]\d:[0-5]\d""", 0))
val extractedDF = data.filter(
col("region").isNotNull &&
col("service").isNotNull &&
col("value").isNotNull &&
col("service_type").isNotNull &&
col("region_type").isNotNull &&
col("datetime").isNotNull)
.filter("region != ''")
.filter("service != ''")
.filter("value != ''")
.filter("service_type != ''")
.filter("region_type != ''")
.filter("datetime != ''")
val pathstring = "/user/spark_streaming".concat(args(0))
val query = extractedDF.writeStream
.format("json")
.option("path", pathstring)
.option("checkpointLocation", "/user/some_checkpoint")
.outputMode("append")
.trigger(Trigger.ProcessingTime("5 seconds"))
.start()
query.awaitTermination()
}
}
我需要使用.option(“StartingOffset”,“latest”)和.option(“StartingOffset”,“someTopic”:{“0”:438521}},“someTopic”:{“1”:438705}},“someTopic”:{“2”:254180}}”)
我不确定这是否可以实现