我正在尝试向kafka发送一个大的CSV.基本结构是读取CSV的一行并用标题压缩它.
a = dict(zip(header, line.split(",")
然后将其转换为json:
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
我已经轻松地从CSV文件创建了一个RDD消息
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(","))
现在我想发送这些消息: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()
哪个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.这是一个10节点的集群,每个集群有4个cpus和8GB的内存.
相比之下,在1000万行csv上创建消息大约需要7秒. 〜约2gb
我认为问题是我在函数内实例化一个kafka生成器.但是,如果我不这样做就会引发抱怨,即使我尝试在全球范围内定义它,生产者也不存在.
也许有人可以阐明如何解决这个问题.
谢谢,