我正在编写一个spark应用程序,它从一个kafka主题读取消息,在db中查找记录,构造新消息并将它们发布到另一个kafka主题。我的代码是这样的-
val inputMessagesDataSet: DataSet[InputMessage] = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "server1")
.option("subscribe", "input-kafka-topic1")
.load()
.select($"value")
.mapPartitions{r =>
val messages: Iterator[InputMessage] = parseMessages(r)
}
inputMessagesDataSet
.writeStream
.foreachBatch(processMessages _)
.trigger(trigger)
.start
.awaitTermination
def processMessages(inputMessageDataSet: Dataset[InputMessage]) = {
// fetch stuff from DB and build a DataSet[OutputMessage]
val outputMessagesDataSet: DataSet[OutputMessage] = ...
// now queue to another kafka topic
outputMessagesDataSet
.writeStream
.trigger(trigger)
.format("kafka")
.option("kafka.bootstrap.servers", "server1")
.option("topic", "output-kafka-topic")
.option("checkpointLocation", loc)
.start
.awaitTermination
}
但我有个错误 org.apache.spark.sql.AnalysisException: 'writeStream' can be called only on streaming Dataset/DataFrame;
在线 outputMessagesDataSet.writeStream
这似乎是因为 outputMessagesDataSet
不是使用创建的 readStream
. 我之所以不建造 DataSet[OutputMessage]
原版 mapPartitions()
是因为获取db记录等所需的类不可序列化,所以它抛出 NotSerializableException
.
如何为kafka构建新的数据集和队列?
1条答案
按热度按时间rkkpypqq1#
foreachBatch
接受静态数据集,因此需要使用write
,不是writeStream
或者,你可以writeStream.format("kafka")
不使用forEachBatch