在 Spark Streaming 中反序列化来自 Kafka 的 Avro 格式数据给出空字符串和 0 for long

Question

我正在努力反序列化来自 Spark Streaming 中 Kafka 的 Avro 序列化数据。

这是我通过 spark-submit 运行得到的文件：

package com.example.mymessage

import org.apache.avro.Schema
import org.apache.avro.generic.{GenericDatumReader, GenericRecord}
import org.apache.avro.io.DecoderFactory
import org.apache.log4j.{Level, Logger}
import org.apache.spark.{Logging, SparkConf}
import org.apache.spark.streaming._
import org.apache.spark.streaming.kafka._

object MyMessageCount extends Logging {
  def main(args: Array[String]) {
    if (args.length < 4) {
      System.err.println("Usage: MyMessageCount <zkQuorum> <group> <topics> <numThreads>")
      System.exit(1)
    }

    val log4jInitialized = Logger.getRootLogger.getAllAppenders.hasMoreElements
    if (!log4jInitialized) {
      logInfo("Setting log level to [WARN]." +
        " To override add a custom log4j.properties to the classpath.")
      Logger.getRootLogger.setLevel(Level.WARN)
    }

    val Array(zkQuorum, group, topics, numThreads) = args
    val sparkConf = new SparkConf().setMaster("local[4]").setAppName("MyMessageCount")
    val ssc = new StreamingContext(sparkConf, Seconds(2))
    ssc.checkpoint("checkpoint")

    val topicMap = topics.split(",").map((_, numThreads.toInt)).toMap
    val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)

    lines.foreachRDD(rdd => {
      rdd.foreach(avroRecord => {
        val schemaString = "{\"type\":\"record\",\"name\":\"myrecord\",\"fields\":[{\"name\":\"string\",\"type\":\"string\"},{\"name\":\"long\",\"type\":\"long\"}]}"
        val parser = new Schema.Parser()
        val schema = parser.parse(schemaString)
        val reader = new GenericDatumReader[GenericRecord](schema)

        val decoder = DecoderFactory.get.binaryDecoder(avroRecord.toCharArray.map(_.toByte), null)
        val record: GenericRecord = reader.read(null, decoder)

        System.out.println(avroRecord + "," + record.toString 
          + ", string= " + record.get("string")
          + ", long=" + record.get("long"))
      })
    })

    ssc.start()
    ssc.awaitTermination()
  }
}

我一直在用Confluent平台在本地给它发数据。

如果我发送：

{"string":"test","long":30}

那么上面的代码输出：

test<,{"string": "", "long": 0}, string= , long=0

这向我表明数据正在通过，但由于某种原因，字符串和长值作为看起来像默认值的值出现。如何从 Kafka 访问进入 avroRecord 的真实 "string" 和 "long" 值？

Answer 1

将 Confluent 的 KafkaAvroDecoder 与直接流一起使用可以解决此问题。

import io.confluent.kafka.serializers.KafkaAvroDecoder

...

val kafkaParams = Map[String, String]("metadata.broker.list" -> zkQuorum,
  "schema.registry.url" -> schemaRegistry,
  "auto.offset.reset" -> "smallest")
val topicSet = Set(topics)
val messages = KafkaUtils.createDirectStream[Object, Object, KafkaAvroDecoder, KafkaAvroDecoder](ssc, kafkaParams, topicSet).map(_._2)

val lines = messages.foreachRDD(rdd => {
  rdd.foreach({ avroRecord =>
    println(avroRecord)
  })
})

我发现了一个单独的问题，即我只能导入版本 1 而不能导入更新的版本。

libraryDependencies ++= Seq(
  "io.confluent" % "kafka-avro-serializer" % "1.0",
  ...
)

resolvers ++= Seq(
  Resolver.sonatypeRepo("public"),
  Resolver.url("confluent", url("http://packages.confluent.io/maven/"))
)

UPDATE 以下内容用于获取最新版本的 kafka-avro-serializer。

libraryDependencies ++= Seq(
  "io.confluent" % "kafka-avro-serializer" % "3.0.0",
  ...
)

resolvers ++= Seq(
  Resolver.sonatypeRepo("public"),
  "Confluent Maven Repo" at "http://packages.confluent.io/maven/"
)

在 Spark Streaming 中反序列化来自 Kafka 的 Avro 格式数据给出空字符串和 0 for long

Deserialising Avro formatted data from Kafka in Spark Streaming gives empty String and 0 for long

scala

avro

apache-kafka

apache-spark

spark-streaming