Spark Dataframe 以 avro 格式写入 kafka 主题？

Question

我在 Spark 中有一个数据框，看起来像

事件DF

   Sno|UserID|TypeExp
    1|JAS123|MOVIE
    2|ASP123|GAMES
    3|JAS123|CLOTHING
    4|DPS123|MOVIE
    5|DPS123|CLOTHING
    6|ASP123|MEDICAL
    7|JAS123|OTH
    8|POQ133|MEDICAL
    .......
    10000|DPS123|OTH

我需要以 Avro 格式将其写入 Kafka 主题，目前我可以使用以下代码在 Kafka 中将其写入为 JSON

val kafkaUserDF: DataFrame = eventDF.select(to_json(struct(eventDF.columns.map(column):_*)).alias("value"))
  kafkaUserDF.selectExpr("CAST(value AS STRING)").write.format("kafka")
    .option("kafka.bootstrap.servers", "Host:port")
    .option("topic", "eventdf")
    .save()

现在我想以 Avro 格式将其写入 Kafka 主题

Answer 1

火花 >= 2.4：

您可以使用to_avro从函数spark-avro库。

import org.apache.spark.sql.avro._

eventDF.select(
  to_avro(struct(eventDF.columns.map(column):_*)).alias("value")
)

火花 < 2.4

你必须以同样的方式做到这一点：

• 创建一个函数，将序列化的 Avro 记录写入ByteArrayOutputStream并返回结果。一个简单的实现（这仅支持平面对象）可能类似于（从Sushil Kumar Singh 的Kafka Avro Scala Example 中采用）

  import org.apache.spark.sql.Row
  
  def encode(schema: org.apache.avro.Schema)(row: Row): Array[Byte] = {
    val gr: GenericRecord = new GenericData.Record(schema)
    row.schema.fieldNames.foreach(name => gr.put(name, row.getAs(name)))
  
    val writer = new SpecificDatumWriter[GenericRecord](schema)
    val out = new ByteArrayOutputStream()
    val encoder: BinaryEncoder = EncoderFactory.get().binaryEncoder(out, null)
    writer.write(gr, encoder)
    encoder.flush()
    out.close()
  
    out.toByteArray()
  }
  

• 将其转换为udf：

  import org.apache.spark.sql.functions.udf
  
  val schema: org.apache.avro.Schema
  val encodeUDF = udf(encode(schema) _)
  

• 将其用作替代品 to_json

  eventDF.select(
    encodeUDF(struct(eventDF.columns.map(column):_*)).alias("value")
  )