我使用Spark结构化的流API制作Spark Java客户端代码。这些代码从kafka中提取csv类型字符串
SparkSession spark = SparkSession.builder().master("local[*]").appName("KafkaMongoStream").getOrCreate();
Dataset<Row> df = spark.read().format("kafka").option("kafka.bootstrap.servers", "localhost:9092"))
.option("subscribe", "topicForMongoDB")
.option("startingOffsets", "earliest")
.load()
.selectExpr("CAST(value AS STRING)");
df.show();
返回的结果成功。这些代码打印csv类型字符串。
+--------------------+
| value|
+--------------------+
|realtime_start,re...|
|2021-01-27,2021-0...|
|2021-01-27,2021-0...|
|2021-01-27,2021-0...|
|2021-01-27,2021-0...|
|2021-01-27,2021-0...|
然后,我尝试将这些字符串转换为spark sql中的spark数据框。首先,以下代码是java pojo类
public class EntityMongoDB implements Serializable {
private Date date;
private float value;
private String id;
private String title;
private String state;
private String frequency_short;
private String units_short;
private String seasonal_adjustment_short;
private static StructType structType = DataTypes.createStructType(new StructField[] {
DataTypes.createStructField("date", DataTypes.DateType, false),
DataTypes.createStructField("value", DataTypes.FloatType, false),
DataTypes.createStructField("id", DataTypes.StringType, false),
DataTypes.createStructField("title", DataTypes.StringType, false),
DataTypes.createStructField("state", DataTypes.StringType, false),
DataTypes.createStructField("frequency_short", DataTypes.StringType, false),
DataTypes.createStructField("units_short", DataTypes.StringType, false),
DataTypes.createStructField("seasonal_adjustment_short", DataTypes.StringType, false)
});
public static StructType getStructType() {
return structType;
}
}
我编写代码将这些csv类型的字符串转换为数据帧
Dataset<Row> dfs = df.select(from_json(col("value"), EntityMongoDB.getStructType())
.as("entityMongoDB"))
.selectExpr("entityMongoDB.date", "entityMongoDB.value", "entityMongoDB.id",
"entityMongoDB.title", "entityMongoDB.state", "entityMongoDB.frequency_short",
"entityMongoDB.units_short", "entityMongoDB.seasonal_adjustment_short").toDF();
dfs.show();
dfs.printSchema();
打印的架构是正确的。
|-- date: date (nullable = true)
|-- value: float (nullable = true)
|-- id: string (nullable = true)
|-- title: string (nullable = true)
|-- state: string (nullable = true)
|-- frequency_short: string (nullable = true)
|-- units_short: string (nullable = true)
|-- seasonal_adjustment_short: string (nullable = true)
但是生成的列充满了空值
+----+-----+----+-----+-----+---------------+-----------+-------------------------+
|date|value| id|title|state|frequency_short|units_short|seasonal_adjustment_short|
+----+-----+----+-----+-----+---------------+-----------+-------------------------+
|null| null|null| null| null| null| null| null|
|null| null|null| null| null| null| null| null|
|null| null|null| null| null| null| null| null|
|null| null|null| null| null| null| null| null|
|null| null|null| null| null| null| null| null|
我认为dataframe的架构生成正确,但是提取数据部分存在一些问题。任何答复将是感激的。最好的祝福
您在该value
列中使用的字符串不是有效的JSON,因此from_json
在这里不起作用。
对于Spark 3+,您可以使用from_csv
@mck的注释中指出的内容:
Dataset<Row> dfs = df.select(from_csv(col("value"), EntityMongoDB.getStructType())
.as("entityMongoDB"))
.selectExpr("entityMongoDB.*").toDF();
对于3之前的Spark版本,您可以split
使用逗号将值,然后将结果数组转换成多列:
Dataset<Row> dfs = df.select(split(col("value"), ",").as("values"))
.select(IntStream.range(0, 7).map(i -> col("values").getItem(i)).toArray())
.toDF("date", "value", "id", "title", "state", "frequency_short", "units_short", "seasonal_adjustment_short");
另外,似乎您在值中包含列名,您可以过滤掉该行。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句