使用 python Spark 将大型 CSV 发送到 Kafka
Sending Large CSV to Kafka using python Spark
我正在尝试将大型 CSV 文件发送到 kafka。基本结构是读取一行 CSV 并将其压缩为 header.
a = dict(zip(header, line.split(",")
然后将其转换为 json,其中:
message = json.dumps(a)
然后我使用kafka-python库发送消息
from kafka import SimpleProducer, KafkaClient
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
producer.send_messages("topic", message)
使用 PYSPARK
我已经很容易地从 CSV 文件中创建了一个消息的 RDD
sc = SparkContext()
text = sc.textFile("file.csv")
header = text.first().split(',')
def remove_header(itr_index, itr):
return iter(list(itr)[1:]) if itr_index == 0 else itr
noHeader = text.mapPartitionsWithIndex(remove_header)
messageRDD = noHeader.map(lambda x: json.dumps(dict(zip(header, x.split(","))
现在我要发送这些消息:我定义了一个函数
def sendkafka(message):
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
return producer.send_messages('topic',message)
然后我创建一个新的 RDD 来发送消息
sentRDD = messageRDD.map(lambda x: kafkasend(x))
然后我调用 sentRDD.count()
开始搅拌和发送消息
不幸的是,这很慢。它每秒发送 1000 条消息。这是在一个 10 节点集群上,每个集群有 4 个 CPU 和 8GB 内存。
相比之下,在 1000 万行的 csv 上创建消息大约需要 7 秒。 ~ 约 2GB
我认为问题在于我在函数内部实例化了一个 kafka 生产者。但是,如果我不这样做,那么 spark 会抱怨生产者不存在,即使我已经尝试在全球范围内定义它。
也许有人可以阐明如何解决这个问题。
谢谢,
您可以为每个分区创建一个生产者并使用 mapPartitions
或 foreachPartition
:
def sendkafka(messages):
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
for message in messages:
yield producer.send_messages('topic', message)
sentRDD = messageRDD.mapPartitions(sendkafka)
如果以上方法无法帮助您,您可以尝试使用 asynchronous producer.
来扩展它
在 Spark 2.x 中也可以使用 Kafka 数据源。您必须包含 spark-sql-kafka
jar,匹配 Spark 和 Scala 版本(此处分别为 2.2.0 和 2.11):
spark.jars.packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0
将数据转换为 DataFrame
(如果它还没有 DataFrame
):
messageDF = spark.createDataFrame(messageRDD, "string")
并使用 DataFrameWriter
:
编写
(messageDF.write
.format("kafka")
.option("topic", topic_name)
.option("kafka.bootstrap.servers", bootstrap_servers)
.save())
我正在尝试将大型 CSV 文件发送到 kafka。基本结构是读取一行 CSV 并将其压缩为 header.
a = dict(zip(header, line.split(",")
然后将其转换为 json,其中:
message = json.dumps(a)
然后我使用kafka-python库发送消息
from kafka import SimpleProducer, KafkaClient
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
producer.send_messages("topic", message)
使用 PYSPARK 我已经很容易地从 CSV 文件中创建了一个消息的 RDD
sc = SparkContext()
text = sc.textFile("file.csv")
header = text.first().split(',')
def remove_header(itr_index, itr):
return iter(list(itr)[1:]) if itr_index == 0 else itr
noHeader = text.mapPartitionsWithIndex(remove_header)
messageRDD = noHeader.map(lambda x: json.dumps(dict(zip(header, x.split(","))
现在我要发送这些消息:我定义了一个函数
def sendkafka(message):
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
return producer.send_messages('topic',message)
然后我创建一个新的 RDD 来发送消息
sentRDD = messageRDD.map(lambda x: kafkasend(x))
然后我调用 sentRDD.count()
开始搅拌和发送消息
不幸的是,这很慢。它每秒发送 1000 条消息。这是在一个 10 节点集群上,每个集群有 4 个 CPU 和 8GB 内存。
相比之下,在 1000 万行的 csv 上创建消息大约需要 7 秒。 ~ 约 2GB
我认为问题在于我在函数内部实例化了一个 kafka 生产者。但是,如果我不这样做,那么 spark 会抱怨生产者不存在,即使我已经尝试在全球范围内定义它。
也许有人可以阐明如何解决这个问题。
谢谢,
您可以为每个分区创建一个生产者并使用 mapPartitions
或 foreachPartition
:
def sendkafka(messages):
kafka = KafkaClient("localhost:9092")
producer = SimpleProducer(kafka)
for message in messages:
yield producer.send_messages('topic', message)
sentRDD = messageRDD.mapPartitions(sendkafka)
如果以上方法无法帮助您,您可以尝试使用 asynchronous producer.
来扩展它在 Spark 2.x 中也可以使用 Kafka 数据源。您必须包含 spark-sql-kafka
jar,匹配 Spark 和 Scala 版本(此处分别为 2.2.0 和 2.11):
spark.jars.packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0
将数据转换为 DataFrame
(如果它还没有 DataFrame
):
messageDF = spark.createDataFrame(messageRDD, "string")
并使用 DataFrameWriter
:
(messageDF.write
.format("kafka")
.option("topic", topic_name)
.option("kafka.bootstrap.servers", bootstrap_servers)
.save())