如何正确地向Google提交kafka流吡源作业

Question

我正试图通过Dataproc提交一个pyspark作业，并不断得到一个错误，看起来它没有加载kafka流包。

下面是UI在我的工作中提供的REST命令：POST /v1/projects/projectname/regions/global/jobs:submit/ { "projectId": "projectname", "job": { "placement": { "clusterName": "cluster-main" }, "reference": { "jobId": "job-33ab811a" }, "pysparkJob": { "mainPythonFileUri": "gs://projectname/streaming.py", "args": [ "--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0" ], "jarFileUris": [ "gs://projectname/spark-streaming-kafka-0-10_2.11-2.2.0.jar" ] } } }

我试着把kafka包作为args和jar文件来传递。

下面是我的代码(streaming.py)：

from pyspark import SparkContext
from pyspark.sql import SparkSession
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
import json


sc = SparkContext()

spark = SparkSession.builder.master("local").appName("Spark-Kafka-Integration").getOrCreate()

# < ip > is masked
df = spark \
    .readStream \
    .format("kafka") \
    .option("kafka.bootstrap.servers", "<ip>:9092") \
    .option("subscribe", "rsvps") \
    .option("startingOffsets", "earliest") \
    .load()
df.printSchema()

错误：：java.lang.ClassNotFoundException:未能找到数据源: kafka。请在http://spark.apache.org/third-party-projects.html找到包裹

全跟踪：https://pastebin.com/Uz3iGy2N

Answer 1

您可能会遇到这样的问题："--packages“是spark-submit中的语法糖，当高级工具(Dataproc)以编程方式调用Spark时，这种语法交互很糟糕，我在这里的响应中描述了另一种语法：use an external library in pyspark job in a Spark cluster from google-dataproc。

长话短说，您可以使用properties在Dataproc请求中指定等效的spark.jars.packages=org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0，而不是在作业args中传递--properties。