如何将Spark schema应用于Spark结构流中基于Kafka主题名称的查询？

Question

var df = spark.readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2")
  .option("subscribePattern", "cust*")
  .option("startingOffsets", "earliest") 
  .load()
  .withColumn("value", $"value".cast("string"))
  .filter($"value".isNotNull)

上面的流式查询将来自这两个主题的数据流化。

假设我有两个Spark模式，每个主题一个：

var cust: StructType = new StructType()
    .add("name", StringType)
    .add("age", IntegerType)

var customers: StructType = new StructType()
    .add("id", IntegerType)
    .add("first_name", StringType)
    .add("last_name", StringType)
    .add("email", StringType)
    .add("address", StringType)

现在，我想应用基于主题名称的Spark模式，为此，我编写了一个udf，它读取主题名称并以DDL格式返回模式：

val schema = udf((table: String) => (table) match {
    case ("cust")      => cust.toDDL
    case ("customers") => customers.toDDL
    case _             => new StructType().toDDL
  })

val query = df
    .withColumn("topic", $"topic".cast("string"))
    .withColumn("data", from_json($"value", schema($"topic")))
    .select($"key", $"topic", $"data.*")
    .writeStream.outputMode("append")
    .format("console")
    .start()
    .awaitTermination()

org.apache.spark.sql.AnalysisException: Schema should be specified in DDL format as a string literal or output of the schema_of_json function instead of UDF(topic);

Answer 1

你所做的是不可能的。您的查询df不能有两个不同的架构。

我可以想出两种方法来做这件事：

1. 按主题拆分DF，然后将2个架构应用于2个DF(CUST和Customers)
2. 将2个架构合并为1个架构，并将其应用于所有主题。