如何正确地将 kafka 流 pyspark 作业提交到 Google Dataproc

Question

我尝试通过 Dataproc UI 提交 pyspark 作业并不断收到错误，看起来它没有加载 kafka 流包。

这是我的工作中 UI 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" ] } } }

我尝试将 kafka 包作为 args 和 jar 文件传递​​。

这是我的代码（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：找不到数据源：kafka。请在http://spark.apache.org/third-party-projects.html找到软件包

完整跟踪： https: //pastebin.com/Uz3iGy2N

Answer 1

您可能会遇到这样的问题：“--packages”是语法糖，spark-submit当高级工具 (Dataproc) 以编程方式调用 Spark 提交时，它的交互效果很差，而我的回复中描述了另一种语法：使用外部库来自 google-dataproc 的 Spark 集群中的 pyspark 作业

长话短说，您可以在 Dataproc 请求中properties指定等效项，而不是传递作业参数。spark.jars.packages=org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0--properties