apache-spark - 结构化流式处理并将嵌套数据拆分为多个数据集

我正在使用Spark的结构化流(2.2.1)，使用Kafka每60秒从传感器接收一次数据。我很难解决如何打包此Kafka Data以便能够正确处理的问题。

当数据随Kafka一起提供时，我需要能够进行一些计算。

我的问题是将来自Kafka的JSON数据解压缩到我可以使用的数据集中

数据

简化的数据如下所示:

{
  id: 1,
  timestamp: "timestamp"
  pump: {
    current: 1.0,
    flow: 20.0
    torque: 5.0
  },
  reactors: [
    {
      id: 1,
      status: 200,
    },

    {
      id: 2,
      status: 300,
    }
  ],
  settings: {
    pumpTimer: 20.0,
    reactorStatusTimer: 200.0
  }
}

为了能够与Spark一起使用，我为其中的每一个创建了一些case类结构:

// First, general package
case class RawData(id: String, timestamp: String, pump: String, reactors: Array[String], settings: String)
// Each of the objects from the data
case class Pump(current: Float, flow: Float, torque: Float)
case class Reactor(id: Int, status: Int)
case class Settings(oos: Boolean, pumpTimer: Float, reactorStatusTimer: Float)

并使用以下方式生成架构:

val rawDataSchema = Encoders.product[RawData].schema

原始数据到Spark模式

首先，我将Kafka的“值”字段放入我的一般模式中:

val rawDataSet = df.select($"value" cast "string" as "json")
  .select(from_json($"json", rawDataSchema))
  .select("data.*").as[RawData]

使用此rawDataSet，我可以将每个单独的对象打包到数据集中。

val pump = rawDataSet.select(from_json($"pump", pumpSchema) as 'pumpData)
  .select("pumpData.*").as[Pump]

val settings = rawDataSet.select(from_json($"settings", settingsSchema) as 'settingsData)
  .select("settingsData.*").as[Settings]

这为我提供了每个JSON对象漂亮又干净的数据集。

处理数据

这是我的问题，例如，如果要比较或计算“设置”和“泵”的两个数据集之间的某些值，则JOIN无法使用结构化流工作。

val joinedData = pump.join(settings)

错误:

Exception in thread "main" org.apache.spark.sql.AnalysisException: Inner join between two streaming DataFrames/Datasets is not supported;

我的处理方法是否全部错误？还是对处理此问题的其他方法有任何建议？

谢谢

最佳答案

我将使用现在可以使用的解决方案回答我自己的问题

不用为JSON中的每个对象创建案例类，我可以将它们作为一个带有嵌套对象的案例类连接在一起，如下所示:

case class RawData(
  id: String,
  timestamp: String,
  pump: Pump,
  reactors: Array[Reactor],
  settings: Settings
)

case class Pump(current: Float, flow: Float, torque: Float)
case class Reactor(id: Int, status: Int)
case class Settings(oos: Boolean, pumpTimer: Float, reactorStatusTimer: Float)

为了使它成为可用的数据集，我可以简单地调用

val rawDataset = df.select($"value" cast "string" as "json")
  .select(from_json($"json", Encoders.product[RawData].schema) as 'data)
  .select("data.*").as[RawData]
  .withColumn("reactor", explode($"reactors")) // Handles the array of reactors, making one row in the dataset per reactor.

处理完JSON并将其放入我的定义模式后，我可以选择每个特定的传感器，如下所示:

val tester = rawDataset.select($"pump.current", $”settings.pumpTimer”)

谢谢user6910411为我指出正确的方向

关于apache-spark - 结构化流式处理并将嵌套数据拆分为多个数据集，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49597331/