Apache Spark Structured Streaming (DataStreamWriter)写入配置单元表

Question

我希望使用火花结构流从卡夫卡读取数据，并处理它，并写入蜂窝表。

 val spark = SparkSession
   .builder
   .appName("Kafka Test")
   .config("spark.sql.streaming.metricsEnabled", true)
   .config("spark.streaming.backpressure.enabled", "true")
   .enableHiveSupport()
   .getOrCreate()

val events = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "xxxxxxx")
  .option("startingOffsets", "latest")
  .option("subscribe", "yyyyyy")
  .load


val data = events.select(.....some columns...)

data.writeStream
  .format("parquet")
  .option("compression", "snappy")
  .outputMode("append")
  .partitionBy("ds")
  .option("path", "maprfs:/xxxxxxx")
  .start()
  .awaitTermination()

这确实创建了一个parquet文件，但是我如何将其更改为类似的内容，以便将其写入可使用(select * from)从hive或spark-sql读取的表格式。

data.write.format("parquet").option("compression", "snappy").mode("append").partitionBy("ds").saveAsTable("xxxxxx")

Answer 1

我会推荐你看看Kafka Connect for writing the data to HDFS。它是开源的，可以使用standalone或作为Confluent Platform的一部分。

为了过滤和转换数据，您可以使用Kafka Streams或KSQL。KSQL运行在Kafka Streams之上，为您提供了一种非常简单的方式来连接数据、过滤数据和构建聚合。

以下是在KSQL中聚合数据流的示例

SELECT PAGE_ID,COUNT(*) FROM PAGE_CLICKS WINDOW TUMBLING (SIZE 1 HOUR) GROUP BY PAGE_ID

请参阅this blog中的KSQL。您可能还对使用这些组件构建流数据管道的this talk感兴趣