pyspark中的kafka的读和写案例操作

下面将详细讲解 PySpark 中操作 Kafka 进行数据读写的案例，包括必要的配置、代码实现和关键参数说明。

PySpark 与 Kafka 集成基础

PySpark 通过 Spark Streaming 或 Structured Streaming 与 Kafka 集成，需要引入特定的依赖包。通常使用spark-sql-kafka-0-10_2.12包，版本需要与 Spark 版本匹配。

读取 Kafka 数据（消费消息）

从 Kafka 读取数据可以分为批处理和流处理两种方式：

from pyspark.sql import SparkSession
from pyspark.sql.functions import col, from_json
from pyspark.sql.types import StructType, StringType, IntegerType

# 初始化SparkSession
spark = SparkSession.builder \
    .appName("KafkaReaderExample") \
    .config("spark.jars.packages", "org.apache.spark:spark-sql-kafka-0-10_2.12:3.3.0") \
    .getOrCreate()

# 1. 流处理方式读取Kafka数据
def stream_read_kafka():
    # 配置Kafka连接参数
    kafka_df = spark.readStream \
        .format("kafka") \
        .option("kafka.bootstrap.servers", "localhost:9092") \
        .option("subscribe", "test_topic")  # 订阅的主题，可以是多个用逗号分隔
        .option("startingOffsets", "earliest")  # 从最早的偏移量开始消费
        .load()
    
    # Kafka返回的数据包含多个字段，我们主要关注value字段（实际消息内容）
    # 将二进制的value转换为字符串
    kafka_df = kafka_df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
    
    # 如果消息是JSON格式，可以进一步解析
    schema = StructType() \
        .add("id", IntegerType()) \
        .add("name", StringType()) \
        .add("age", IntegerType())
    
    parsed_df = kafka_df.select(
        from_json(col("value"), schema).alias("data")
    ).select("data.*")
    
    # 输出到控制台（调试用）
    query = parsed_df.writeStream \
        .outputMode("append") \
        .format("console") \
        .start()
    
    query.awaitTermination()

# 2. 批处理方式读取Kafka数据
def batch_read_kafka():
    kafka_df = spark.read \
        .format("kafka") \
        .option("kafka.bootstrap.servers", "localhost:9092") \
        .option("subscribe", "test_topic") \
        .option("startingOffsets", """{"test_topic":{"0":0}}""")  # 指定分区和偏移量
        .option("endingOffsets", """{"test_topic":{"0":100}}""") \
        .load()
    
    # 转换为字符串并展示
    result_df = kafka_df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
    result_df.show(truncate=False)

if __name__ == "__main__":
    # 选择运行流处理或批处理
    # stream_read_kafka()
    batch_read_kafka()

写入 Kafka 数据（生产消息）

同样，写入 Kafka 也支持流处理和批处理两种方式：

from pyspark.sql import SparkSession
from pyspark.sql.functions import col, to_json, struct

# 初始化SparkSession
spark = SparkSession.builder \
    .appName("KafkaWriterExample") \
    .config("spark.jars.packages", "org.apache.spark:spark-sql-kafka-0-10_2.12:3.3.0") \
    .getOrCreate()

# 1. 流处理方式写入Kafka
def stream_write_kafka():
    # 创建测试数据
    data = [("1", "Alice", 25), ("2", "Bob", 30), ("3", "Charlie", 35)]
    df = spark.createDataFrame(data, ["id", "name", "age"])
    
    # 转换为Kafka所需的格式（必须包含key和value字段）
    kafka_df = df.select(
        col("id").alias("key"),  # key字段
        to_json(struct("id", "name", "age")).alias("value")  # value字段转为JSON
    )
    
    # 写入Kafka
    query = kafka_df.writeStream \
        .format("kafka") \
        .option("kafka.bootstrap.servers", "localhost:9092") \
        .option("topic", "test_topic") \
        .option("checkpointLocation", "/tmp/kafka_checkpoint")  # 流处理必须设置检查点
        .start()
    
    query.awaitTermination()

# 2. 批处理方式写入Kafka
def batch_write_kafka():
    # 创建测试数据
    data = [("4", "David", 40), ("5", "Eve", 45)]
    df = spark.createDataFrame(data, ["id", "name", "age"])
    
    # 转换为Kafka所需格式
    kafka_df = df.select(
        col("id").cast("string").alias("key"),
        to_json(struct("id", "name", "age")).alias("value")
    )
    
    # 写入Kafka
    kafka_df.write \
        .format("kafka") \
        .option("kafka.bootstrap.servers", "localhost:9092") \
        .option("topic", "test_topic") \
        .save()

if __name__ == "__main__":
    # 选择运行流处理或批处理
    # stream_write_kafka()
    batch_write_kafka()

关键参数说明

1. 连接参数：

   • kafka.bootstrap.servers：Kafka 集群的地址列表，格式为host:port
   • subscribe：要订阅的主题，多个主题用逗号分隔
   • topic：写入时指定的目标主题

2. 偏移量设置：

   • startingOffsets：读取的起始偏移量，earliest（最早）或latest（最新）
   • endingOffsets：批处理时的结束偏移量

3. 数据格式：

   • Kafka 中的数据以二进制形式存储，需要转换为字符串：CAST(key AS STRING)和CAST(value AS STRING)
   • 写入时需要将数据转换为包含key和value字段的 DataFrame

4. 流处理特殊参数：

   • checkpointLocation：必须设置，用于保存流处理的状态信息
   • outputMode：输出模式，常用append（追加）

运行注意事项

1. 确保 Kafka 服务已启动并正常运行
2. 主题需要提前创建：kafka-topics.sh --create --topic test_topic --bootstrap-server localhost:9092 --partitions 1 --replication-factor 1
3. 依赖包版本需要与 Spark 版本匹配，例如 Spark 3.3.0 对应spark-sql-kafka-0-10_2.12:3.3.0
4. 流处理程序需要手动停止，可通过query.stop()或 Ctrl+C 终止

通过以上示例，你可以实现 PySpark 与 Kafka 之间的数据交互，根据实际需求选择批处理或流处理方式。