为什么spark-submit找不到kafka数据源，除非使用--packages？

Question

我正在尝试将Kafka集成到我的Spark应用程序中，这是我的POM文件所需的条目：

<dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
        <version>${spark.stream.kafka.version}</version>
</dependency>
<dependency>
        <groupId>org.apache.kafka</groupId>
        <artifactId>kafka_2.11</artifactId>
        <version>${kafka.version}</version>
</dependency>

对应的工件版本为：

<kafka.version>0.10.2.0</kafka.version>
<spark.stream.kafka.version>2.2.0</spark.stream.kafka.version>

我一直在挠头：

Exception in thread "main" java.lang.ClassNotFoundException: Failed to find data source: kafka. Please find packages at http://spark.apache.org/third-party-projects.html

我还尝试为jar提供--jars参数，但是没有帮助。这里我漏掉了什么？

代码：

private static void startKafkaConsumerStream() {

        Dataset<HttpPackage> ds1 = _spark
                .readStream()
                .format("kafka")
                .option("kafka.bootstrap.servers", getProperty("kafka.bootstrap.servers"))
                .option("subscribe", HTTP_FED_VO_TOPIC)
                .load() // Getting the error here
                .as(Encoders.bean(HttpPackage.class));

        ds1.foreach((ForeachFunction<HttpPackage>)  req ->System.out.print(req));

    }

并且_spark被定义为：

_spark = SparkSession
                .builder()
                .appName(_properties.getProperty("app.name"))
                .config("spark.master", _properties.getProperty("master"))
                .config("spark.es.nodes", _properties.getProperty("es.hosts"))
                .config("spark.es.port", _properties.getProperty("es.port"))
                .config("spark.es.index.auto.create", "true")
                .config("es.net.http.auth.user", _properties.getProperty("es.net.http.auth.user"))
                .config("es.net.http.auth.pass", _properties.getProperty("es.net.http.auth.pass"))
                .getOrCreate();

我的导入是：

import org.apache.kafka.clients.producer.Producer;
import org.apache.kafka.common.serialization.StringDeserializer;
import org.apache.kafka.common.serialization.StringSerializer;
import org.apache.spark.api.java.function.ForeachFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Encoders;
import org.apache.spark.sql.SparkSession;

但是，当我像前面提到的那样运行我的代码时，使用了here选项：

--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.1.0

它起作用了

Answer 1

Spark Structured Streaming使用外部kafka-0-10-sql模块支持Apache Kafka作为流源和接收器。

对于使用spark-submit提交以供执行的kafka-0-10-sql应用程序，Spark模块不可用。该模块是外部的，要使其可用，您应该将其定义为依赖项。

除非在Spark应用程序中使用特定于kafka-0-10-sql模块的代码，否则不必在pom.xml中将模块定义为dependency。您根本不需要在模块上使用编译依赖项，因为没有代码使用模块的代码。您是针对接口编写代码的，这也是Spark SQL如此易于使用的原因之一(即，只需很少的代码就可以拥有相当复杂的分布式应用程序)。

但是，spark-submit需要--packages命令行选项，您已经报告它工作得很好。

但是，当我像这里提到的那样运行我的代码时，它使用了package选项：

--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.1.0

它在--packages上运行良好的原因是你必须告诉星火基础设施在哪里可以找到kafka格式的定义。

这就引出了使用Kafka运行Spark流媒体应用的另一个“问题”(或要求)。必须在spark-sql-kafka模块上指定运行时依赖项。

您可以使用--packages命令行选项(在spark-submit应用程序之后下载必要的jar)或创建所谓的uber-jar (或fat-jar)来指定运行时依赖项。

这就是pom.xml发挥作用的地方(这也是为什么人们在pom.xml和dependency模块方面提供帮助的原因)。

因此，首先，您必须在pom.xml中指定依赖项。

<dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-sql-kafka-0-10_2.11</artifactId>
  <version>2.2.0</version>
</dependency>

最后但并非最不重要的一点是，您必须构建一个使用Apache Maven Shade Plugin在pom.xml中配置的超级jar。

使用Apache Maven Shade插件，您可以在create an Uber JAR应用程序jar文件中包含kafka格式工作的所有“基础设施”。事实上，Uber将包含所有必要的运行时依赖项，因此您可以单独使用JAR进行spark-submit (没有--packages选项或类似选项)。

Answer 2

将以下依赖项添加到pom.xml文件中。

<dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql-kafka-0-10_2.11</artifactId>
        <version>2.2.0</version>
</dependency>

Answer 3

更新您的依赖项和版本。下面给出的依赖关系应该可以正常工作：

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
        <version>2.1.1</version>
        <scope>provided</scope>
    </dependency>

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-streaming_2.11</artifactId>
        <version>2.1.1</version>
        <scope>provided</scope>
    </dependency>

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
        <version>2.1.1</version>
    </dependency>

注:注意在前两个依赖项中提供了作用域。