Apache spark Can'；在Spark结构化流媒体中转换Kafka Json数据

我正在尝试获取卡夫卡的信息，并在单机版中使用Spark进行处理。Kafka将数据存储为json格式。我可以获得Kafka消息，但无法使用定义模式解析json数据

当我从一开始运行

bin/kafka-console-consumer.sh--bootstrap server localhost:9092--topic my_kafka_topic--

命令以查看kafka topic中的kafka消息时，它输出如下：

"{\"timestamp\":1553792312117,\"values\":[{\"id\":\"Simulation.Simulator.Temperature\",\"v\":21,\"q\":true,\"t\":1553792311686}]}"
"{\"timestamp\":1553792317117,\"values\":[{\"id\":\"Simulation.Simulator.Temperature\",\"v\":22,\"q\":true,\"t\":1553792316688}]}"

我可以通过Spark中的这个代码块成功地获取这些数据：

df = spark \
.readStream \
.format("kafka") \
.option("kafka.bootstrap.servers", "localhost:9092") \
.option("subscribe", "my_kafka_topic") \
.load() \
.select(col("value").cast("string"))

模式如下所示：

df.printSchema()

root
 |-- value: string (nullable = true)

然后将此数据帧写入console并打印kafka消息：

Batch: 9
-------------------------------------------
+--------------------+
|               value|
+--------------------+
|"{\"timestamp\":1...|
+--------------------+

但我想解析json数据以定义模式和我尝试使用的代码块：

schema = StructType([ StructField("timestamp", LongType(), False), StructField("values", ArrayType( StructType([ StructField("id", StringType(), True), StructField("v", IntegerType(), False), StructField("q", BooleanType(), False), StructField("t", LongType(), False) ]), True ), True) ])

parsed = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "localhost:9092") \
  .option("subscribe", "my_kafka_topic") \
  .load() \
  .select(from_json(col("value").cast("string"), schema).alias("opc"))

以及

解析的

数据帧的模式：

parsed.printSchema()
root
  |-- opc: struct (nullable = true)
  |    |-- timestamp: string (nullable = true)
  |    |-- values: struct (nullable = true)
  |    |    |-- id: string (nullable = true)
  |    |    |-- v: integer (nullable = true)
  |    |    |-- q: boolean (nullable = true)
  |    |    |-- t: string (nullable = true)

这些代码块运行时不会出错。但是当我想将

解析的
数据帧写入控制台时：

query = parsed\
   .writeStream\
   .format("console")\
   .start()

query.awaitTermination()

它在控制台中这样写
null
：

+----+
| opc|
+----+
|null|
+----+

因此，解析json数据似乎有问题，但无法解决

您能告诉我怎么了吗？
该模式似乎不适合您的情况，请尝试应用下一个模式：

schema = StructType([ 
StructField("timestamp", LongType(), False), 
StructField("values", ArrayType(
    StructType([StructField("id", StringType(), True), 
    StructField("v", IntegerType(), False), 
    StructField("q", BooleanType(), False), 
    StructField("t", LongType(), False)]), True), True)])

还要记住，
inferSchema
选项工作得很好，因此您可以让Spark发现模式并保存它

另一个问题是，您的json数据具有前导双引号和尾随双引号
“
，并且它还包含构成无效json的双引号
\
，这会阻止Spark解析消息

为了删除无效字符，您的代码应修改为下一步：

parsed = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "localhost:9092") \
  .option("subscribe", "my_kafka_topic") \
  .load() \
  .withColumn("value", regexp_replace(col("value").cast("string"), "\\\\", "")) \
  .withColumn("value", regexp_replace(col("value"), "^\"|\"$", "")) \
  .select(from_json(col("value"), schema).alias("opc"))

现在，您的输出应该是：

+------------------------------------------------------------------------------------------------------------------+
|value                                                                                                             |
+------------------------------------------------------------------------------------------------------------------+
|{"timestamp":1553588718638,"values":[{"id":"Simulation.Simulator.Temperature","v":26,"q":true,"t":1553588717036}]}|
+------------------------------------------------------------------------------------------------------------------+

祝您好运！
该模式似乎不适合您的情况，请尝试应用下一个模式：

schema = StructType([ 
StructField("timestamp", LongType(), False), 
StructField("values", ArrayType(
    StructType([StructField("id", StringType(), True), 
    StructField("v", IntegerType(), False), 
    StructField("q", BooleanType(), False), 
    StructField("t", LongType(), False)]), True), True)])

还要记住，
inferSchema
选项工作得很好，因此您可以让Spark发现模式并保存它

另一个问题是，您的json数据具有前导双引号和尾随双引号
“
，并且它还包含构成无效json的双引号
\
，这会阻止Spark解析消息

为了删除无效字符，您的代码应修改为下一步：

parsed = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "localhost:9092") \
  .option("subscribe", "my_kafka_topic") \
  .load() \
  .withColumn("value", regexp_replace(col("value").cast("string"), "\\\\", "")) \
  .withColumn("value", regexp_replace(col("value"), "^\"|\"$", "")) \
  .select(from_json(col("value"), schema).alias("opc"))

现在，您的输出应该是：

+------------------------------------------------------------------------------------------------------------------+
|value                                                                                                             |
+------------------------------------------------------------------------------------------------------------------+
|{"timestamp":1553588718638,"values":[{"id":"Simulation.Simulator.Temperature","v":26,"q":true,"t":1553588717036}]}|
+------------------------------------------------------------------------------------------------------------------+

祝你好运
 相关：相关：评论不适用于扩展讨论或调试会话；这段对话已经结束。请确保答案已包含所有相关信息。评论不适用于扩展讨论或调试会话；这段对话已经结束。请确保答案已包含所有相关信息。