¿Cómo leer registros en formato JSON de Kafka usando Structured Streaming?
Estoy tratando de usarenfoque de transmisión estructurada usando Spark-Streaming basado en DataFrame / Dataset API para cargar un flujo de datos desde Kafka.
Yo suelo:
Spark 2.10Kafka 0.10chispa-sql-kafka-0-10Spark Kafka DataSource ha definido un esquema subyacente:
|key|value|topic|partition|offset|timestamp|timestampType|
Mis datos vienen en formato json y se almacenan en elvalor columna. Estoy buscando una forma de extraer el esquema subyacente de la columna de valor y actualizar el marco de datos recibido a las columnas almacenadas envalor? Intenté el siguiente enfoque pero no funciona:
val columns = Array("column1", "column2") // column names
val rawKafkaDF = sparkSession.sqlContext.readStream
.format("kafka")
.option("kafka.bootstrap.servers","localhost:9092")
.option("subscribe",topic)
.load()
val columnsToSelect = columns.map( x => new Column("value." + x))
val kafkaDF = rawKafkaDF.select(columnsToSelect:_*)
// some analytics using stream dataframe kafkaDF
val query = kafkaDF.writeStream.format("console").start()
query.awaitTermination()
Aquí estoy obteniendo la excepciónorg.apache.spark.sql.AnalysisException: Can't extract value from value#337;
porque en el momento de la creación de la secuencia, no se conocen los valores internos ...
¿Tienes alguna sugerencia?