读取Amazon Kinesis Firehose流写入s3的数据

Question

我正在写Kinesis Firehose流的记录,最终由Amazon Kinesis Firehose写入S3文件.

我的记录对象看起来像

ItemPurchase {
    String personId,
    String itemId
}

数据写入S3看起来像:

{"personId":"p-111","itemId":"i-111"}{"personId":"p-222","itemId":"i-222"}{"personId":"p-333","itemId":"i-333"}

没有COMMA分离.

像Json阵列一样没有启动支架

[

没有结束支持,如在Json阵列中

]

我想读取这些数据获取ItemPurchase对象的列表.

List<ItemPurchase> purchases = getPurchasesFromS3(IOUtils.toString(s3ObjectContent))

读取此数据的正确方法是什么？

Answer 1

令我感到困惑的是，Amazon Firehose以这种方式将JSON消息转储到S3，并且不允许您设置分隔符或其他任何内容。

最终，我发现解决该问题的技巧是使用JSON raw_decode方法处理文本文件

这将允许您读取一堆串联的JSON记录，而它们之间没有任何分隔符。

Python代码：

import json

decoder = json.JSONDecoder()

with open('giant_kinesis_s3_text_file_with_concatenated_json_blobs.txt', 'r') as content_file:

    content = content_file.read()

    content_length = len(content)
    decode_index = 0

    while decode_index < content_length:
        try:
            obj, decode_index = decoder.raw_decode(content, decode_index)
            print("File index:", decode_index)
            print(obj)
        except JSONDecodeError as e:
            print("JSONDecodeError:", e)
            # Scan forward and keep trying to decode
            decode_index += 1

Answer 2

我也有同样的问题,这是我如何解决的.

1. 将"} {"替换为"} \n {"

2. 由"\n"分割的行.

   input_json_rdd.map(lambda x : re.sub("}{", "}\n{", x, flags=re.UNICODE))
                 .flatMap(lambda line: line.split("\n"))
   

嵌套的json对象有几个"}",因此用"}"分割线并不能解决问题.

Answer 3

如果有办法改变数据写入方式，请用一行分隔所有记录。这样您就可以简单地逐行读取数据。如果没有，则只需构建一个以“}”作为分隔符的扫描仪对象并使用扫描仪进行读取。这样就可以完成任务了。