我将spark3.0.0与python结合使用。我有一个 test_topic
在Kafka,我生产从一个csv。
下面的代码正从这个主题消耗到spark中,但我在某个地方读到它需要在dstream中,然后才能对它执行任何ml。
import json
from json import loads
from kafka import KafkaConsumer
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
sc = SparkContext("local[2]", "test")
ssc = StreamingContext(sc, 1)
consumer = KafkaConsumer('test_topic',
bootstrap_servers =['localhost:9092'],
api_version=(0, 10))
消费者退货 <kafka.consumer.group.KafkaConsumer at 0x13bf55b0>
如何编辑上述代码以获得数据流?
我是新来的,所以请指出我犯的任何愚蠢的错误。
编辑:以下是我的制片人代码:
import json
import csv
from json import dumps
from kafka import KafkaProducer
from time import sleep
producer = KafkaProducer(bootstrap_servers=['localhost:9092'])
value_serializer=lambda x:dumps(x)
with open('test_data.csv') as file:
reader = csv.DictReader(file, delimiter=';')
for row in reader:
producer.send('test_topic', json.dumps(row).encode('utf=8'))
sleep(2)
print ('Message sent ', row)
3条答案
按热度按时间r7xajy2e1#
你需要使用org.apache。spark:spark-sql-kafka-0-10_2.12:用于运行它的3.0.0包。它将使用spark submit下载相关jar。
li9yvcax2#
好久没做Spark了,让我来帮你!
首先,当您使用spark 3.0.0时,您可以使用spark结构化流媒体,api将更易于使用,因为它基于Dataframe。正如您在文档链接中看到的,这里有一个结构化流媒体模式下kafka与pyspark的集成指南。
它将与以下查询一样简单:
然后您可以使用ml管道来使用这个Dataframe,以应用您需要的一些ml技术和模型。正如您在databricks笔记本中看到的,他们有一些用ml进行结构化流式处理的示例。这是用scala编写的,但这将是一个很好的灵感来源。您可以将它与mlpyspark文档结合起来,用python翻译它
编辑:为了使pyspark和Kafka之间的工作正常,需要遵循的实际步骤
1-Kafka装置
所以首先我要设置本地Kafka:
我打开4个shell,运行zookeeper/server/create\u topic/write\u topic脚本:
Zookeeper
服务器
创建主题并检查创建
主题中的测试消息(在shell中以交互方式编写它们以进行测试):
2-Pypark设置
得到额外的jar
现在我们已经设置了kafka,我们将使用特定jars下载设置pyspark:
spark-streaming-kafka-0-10-assembly\ u 2.12-3.0.0.jar
spark-sql-kafka-0-10_2.12-3.0.0.jar
commons-pool2-2.8.0.jar
Kafka客户端-0.10.2.2.jar
运行pyspark shell命令
如果执行pyspark命令时不在jars文件夹中,请不要忘记为每个jar指定文件夹路径。
3-运行pyspark代码
干杯
vkc1a9a23#
您需要使用kafkautils createdirectstream方法。
以下是spark官方文档中的代码示例: