在 Spark Stream 中创建 DataFrame

Question

我已将 Kafka Stream 连接到 Spark。此外，我还训练了 Apache Spark Mlib 模型以基于流式文本进行预测。我的问题是，得到一个我需要传递 DataFramework 的预测。

//kafka stream    
val stream = KafkaUtils.createDirectStream[String, String](
          ssc,
          PreferConsistent,
          Subscribe[String, String](topics, kafkaParams)
        )
//load mlib model
val model = PipelineModel.load(modelPath)
 stream.foreachRDD { rdd =>

      rdd.foreach { record =>
       //to get a prediction need to pass DF
       val toPredict = spark.createDataFrame(Seq(
          (1L, record.value())
        )).toDF("id", "review")
        val prediction = model.transform(test)
      }
}

我的问题是，Spark streaming 不允许创建 DataFrame。有什么办法吗？我可以使用 case class 还是 struct?

Answer 1

可以像在核心 Spark 中一样从 RDD 创建 DataFrame 或 Dataset。为此，我们需要应用模式。在 foreachRDD 中，我们可以将生成的 RDD 转换为可以进一步与 ML 管道一起使用的 DataFrame。

// we use a schema in the form of a case class
case class MyStructure(field:type, ....)
// and we implement our custom transformation from string to our structure
object MyStructure {
    def parse(str: String) : Option[MyStructure] = ...
}

val stream = KafkaUtils.createDirectStream... 
// give the stream a schema using a case class
val strucStream =  stream.flatMap(cr => MyStructure.parse(cr.value))

strucStream.foreachRDD { rdd =>
    import sparkSession.implicits._
    val df = rdd.toDF()
    val prediction = model.transform(df)
    // do something with df
}

在 Spark Stream 中创建 DataFrame

Create a DataFrame in Spark Stream

sparse-matrix

apache-kafka

apache-spark

spark-streaming

apache-spark-mllib