From 672cfb5b0a2b1a94d3d2d629cf620dece0c193ef Mon Sep 17 00:00:00 2001
From: randomJoe211 <69501902+randomJoe211@users.noreply.github.com>
Date: Tue, 28 Dec 2021 13:43:08 +0800
Subject: [PATCH] Update kafka value parser (#1336)

* Update kafka value parser

* Update ex-ug-import-from-kafka.md

* Update ex-ug-import-from-kafka.md

* Update ex-ug-import-from-kafka.md

* Update ex-ug-import-from-kafka.md

* Update ex-ug-import-from-kafka.md

* Update ex-ug-import-from-kafka.md
---
 .../use-exchange/ex-ug-import-from-kafka.md   | 34 ++++++++-----------
 1 file changed, 14 insertions(+), 20 deletions(-)

diff --git a/docs-2.0/nebula-exchange/use-exchange/ex-ug-import-from-kafka.md b/docs-2.0/nebula-exchange/use-exchange/ex-ug-import-from-kafka.md
index aefbbb6f85..52685d35b5 100644
--- a/docs-2.0/nebula-exchange/use-exchange/ex-ug-import-from-kafka.md
+++ b/docs-2.0/nebula-exchange/use-exchange/ex-ug-import-from-kafka.md
@@ -76,10 +76,6 @@
 
 ### 步骤 2：修改配置文件
 
-!!! note
-
-    如果部分数据存储在 Kafka 的 value 域内，需要自行修改源码，从 Kafka 中获取 value 域，将 value 通过 from_json 函数解析，然后作为 Dataframe 返回。
-
 编译 Exchange 后，复制`target/classes/application.conf`文件设置 Kafka 数据源相关的配置。在本示例中，复制的文件名为`kafka_application.conf`。各个配置项的详细说明请参见[配置说明](../parameter-reference/ex-ug-parameter.md)。
 
 ```conf
@@ -145,16 +141,15 @@
       # 消息类别。
       topic: "topic_name1"
 
-      # Kafka 数据有固定的域名称：key、value、topic、partition、offset、timestamp、timestampType。
-      # Spark 读取为 DataFrame 后，如果需要指定多个字段，用英文逗号（,）隔开。
-      # 在 fields 里指定字段名称，例如用 key 对应 Nebula 中的 name， value 对应 Nebula 中的 age，示例如下：
-      fields: [key,value]
-      nebula.fields: [name,age]
+      # 在 fields 里指定 Kafka value 中的字段名称，多个字段用英文逗号（,）隔开。Spark Structured Streaming 读取 Kafka 数据后会将其以 JSON 格式存储于 value 字段中，而这里的 fields 要配置 JSON 的 key 名。示例如下：
+      fields: [personName, personAge]
+      # 设置与 fields 中的 key 对应的 Nebula Graph 属性名，key 的 value 将保存为相应的属性值。下方设置会将 personName 的 value 保存到 Nebula Graph 中的 name 属性，personAge 的 value 则保存到 age 属性。
+      nebula.fields: [name, age]
 
       # 指定表中某一列数据为 Nebula Graph 中点 VID 的来源。
       # 这里的值 key 和上面的 key 重复，表示 key 既作为 VID，也作为属性 name。
       vertex:{
-          field:key
+          field:personId
       }
 
       # 单批次写入 Nebula Graph 的数据条数。
@@ -177,7 +172,7 @@
       fields: [key]
       nebula.fields: [name]
       vertex:{
-          field:key
+          field:teamId
       }
       batch: 10
       partition: 10
@@ -207,20 +202,19 @@
       # 消息类别。
       topic: "topic_name3"
 
-      # Kafka 数据有固定的域名称：key、value、topic、partition、offset、timestamp、timestampType。
-      # Spark 读取为 DataFrame 后，如果需要指定多个字段，用英文逗号（,）隔开。
-      # 在 fields 里指定字段名称，例如用 key 对应 Nebula 中的 degree，示例如下：
-      fields: [key]
+      # 在 fields 里指定 Kafka value 中的字段名称，多个字段用英文逗号（,）隔开。Spark Structured Streaming 读取 Kafka 数据后会将其以 JSON 格式存储于 value 字段中，而这里的 fields 要配置 JSON 的 key 名。示例如下：
+      fields: [degree]
+      # 设置与 fields 中的 key 对应的 Nebula Graph 属性名，key 的 value 将保存为相应的属性值。下方设置会将 degree 的 value 保存到 Nebula Graph 中的 degree 属性。
       nebula.fields: [degree]
 
       # 在 source 里，将 topic 中某一列作为边的起始点数据源。
       # 在 target 里，将 topic 中某一列作为边的目的点数据源。
       source:{
-          field:timestamp
+          field:srcPersonId
       }
 
       target:{
-          field:offset
+          field:dstPersonId
       }
 
       # 单批次写入 Nebula Graph 的数据条数。
@@ -243,14 +237,14 @@
       service: "127.0.0.1:9092"
       topic: "topic_name4"
 
-      fields: [timestamp,offset]
+      fields: [startYear,endYear]
       nebula.fields: [start_year,end_year]
       source:{
-          field:key
+          field:personId
       }
 
       target:{
-          field:value
+          field:teamId
       }
 
       batch: 10