apache-spark - 如何使延迟加载 Apache Spark Dataframe 连接到 REST API
问题描述
我很高兴 Spark 允许我与数据库表建立 JDBC 连接,然后在其上建立转换,直到触发评估。我想用 REST API 连接做同样的事情。从理论上讲,这将提供一种在逻辑视图中集成 DB 和 API 信息的方法。是否可以将 Spark 数据帧绑定到自定义函数,该函数使用延迟评估生成的参数调用 API?
这是一些可以使用的 pySpark 代码:
import findspark, json, requests
findspark.init()
from pyspark.sql import SparkSession
spark = SparkSession \
.builder \
.appName("basic test") \
.getOrCreate()
url = 'http://worldclockapi.com/api/json/utc/now'
headers = {"accept": "application/json;charset=UTF-8"}
results = requests.get(url, headers=headers)
obj = json.loads(results.text)
mydict = {k:v for k,v in obj.items() if v is not None}
df = spark.createDataFrame([mydict])
df.show()
在这个例子中,API 调用不是惰性的,也不是由 show() 触发的。
我知道通过 pySpark API 很容易做到这一点。可以在 Scala 中完成吗?是否有可以在 Spark 中执行此操作的软件包?
解决方案
可以延迟调用 REST API,但您需要将其放在map
函数中(在处理 RDD 时)或 UDF(在 Dataframe API 中):
>>> from pyspark.sql import Row
>>> from pyspark.sql.functions import *
>>> import requests
>>>
>>> urls = [Row(url='http://worldclockapi.com/api/json/utc/now')] * 10
>>> call_time_api = lambda url: requests.get(url).json()['currentFileTime']
>>>
>>> spark.createDataFrame(urls) \
... .withColumn('time', udf(call_time_api)('url')) \
... .show(truncate=False)
+-----------------------------------------+------------------+
|url |time |
+-----------------------------------------+------------------+
|http://worldclockapi.com/api/json/utc/now|131879608910925580|
|http://worldclockapi.com/api/json/utc/now|131879608911081830|
|http://worldclockapi.com/api/json/utc/now|131879608911238454|
|http://worldclockapi.com/api/json/utc/now|131879608911550881|
|http://worldclockapi.com/api/json/utc/now|131879608911706855|
|http://worldclockapi.com/api/json/utc/now|131879608911706855|
|http://worldclockapi.com/api/json/utc/now|131879608911863229|
|http://worldclockapi.com/api/json/utc/now|131879608912019732|
|http://worldclockapi.com/api/json/utc/now|131879608912175607|
|http://worldclockapi.com/api/json/utc/now|131879608912175607|
+-----------------------------------------+------------------+
事实上,这对于通过分页废弃 API 结果非常有用——首先,您创建一个 URL 数组(每个 URL 用于不同的结果页面),然后您可以在 spark 上下文中并行检索数据并创建结果的 Dataframe。
推荐阅读
- python - Python requests 模块似乎已安装,但未找到
- php - WooCommerce - 以销售价格添加到购物车链接
- docker - 容器退出时如何删除ip
- python-3.x - Groupby 操作失败 - 加入多个 DataFrames 仅支持加入索引
- azure - 开始工作 { } | Receive-Job -Wait -Force 仅返回具有 MaxCount 和 ContinuationToken 的批处理 Get-AzStorageBlob 的部分结果
- android - android studio北极狐无法启动
- dataframe - 如果结构数组包含记录,则过滤 pyspark 数据框中的记录
- javascript - pg-promise 认为我的数据库表不存在
- java - 当用户输入不在范围内(在范围内时工作正常)时,我正在努力。我知道我的错误,但我无法修复它们
- arrays - UDF 使用数组拆分列中的字符串