使用Spark结构化流从Kafka读取数据，总是会发生超时问题

Question

这是我用来通过Spark结构化流从Kafka读取数据的代码，

//ss:SparkSession is defined before. 
import ss.implicits._
val df = ss
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", kafka_server)
  .option("subscribe", topic_input)
  .option("startingOffsets", "latest")
  .option("kafkaConsumer.pollTimeoutMs", "5000")
  .option("failOnDataLoss", "false")
  .load()

这是错误代码，

  Caused by: java.util.concurrent.TimeoutException: Cannot fetch record xxxx for offset in 5000 milliseconds

如果将5000放大到10000，仍然会发生此错误。我用谷歌搜索这个问题。似乎没有关于此问题的太多相关信息。

这是与此问题相关的sbt文件的一部分。

libraryDependencies += "org.apache.spark" %% "spark-sql-kafka-0-10" % "2.3.0" exclude ("org.apache.kafka", "kafka-clients")
libraryDependencies += "org.apache.kafka" % "kafka-clients" % "0.11.0.0"

Answer 1

我也遇到这个错误。

我查看了KafkaSourceRDD的源代码，一无所获。

我猜 kafka 连接器有问题，因此我排除了“spark-sql-kafka-0-10_2.11”包中的 kafka-client，并添加了一个新的依赖项，如下所示：

<dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql-kafka-0-10_2.11</artifactId>
        <version>2.3.0</version>
        <scope>compile</scope>
        <exclusions>
            <exclusion>
                <artifactId>kafka-clients</artifactId>
                <groupId>org.apache.kafka</groupId>
            </exclusion>
        </exclusions>
    </dependency>
    <dependency>
        <groupId>org.apache.kafka</groupId>
        <artifactId>kafka-clients</artifactId>
        <version>0.10.2.1</version>
    </dependency>

现在可以了。希望能帮助到你。

我创建了一个 jira 问题来报告此问题： https ://issues.apache.org/jira/browse/SPARK-23829

2018年12月17日更新：Spark 2.4和Kafka2.0解决了该问题。