结构化流Kafka 2.1->Zeppelin 0.8->Spark 2.4：spark不使用jar

Question

我有一个 Kafka 2.1 消息代理，想要对 Spark 2.4 中的消息数据进行一些处理。我想使用 Zeppelin 0.8.1 笔记本进行快速原型设计。

我下载了结构化流所需的spark-streaming-kafka-0-10_2.11.jar（http://spark.apache.org/docs/latest/structed-streaming-kafka-integration.html）并添加了它作为 Zeppelin 的“spark”解释器的“依赖项工件”（也处理 %pyspark 段落）。我重新启动了这个解释器（还有齐柏林飞艇）。

我还在笔记本的第一个段落中加载了 jar（我首先认为这应该是不必要的......）：

%dep z.load("/usr/local/analyse/jar/spark-streaming-kafka-0-10_2.11.jar")
res0: org.apache.zeppelin.dep.Dependency = org.apache.zeppelin.dep.Dependency@2b65d5

所以，我没有收到错误，所以加载似乎有效。现在，我想做测试，kafka服务器使用这个端口在同一台机器上运行，并且还有一个主题“测试”：

%pyspark
# Subscribe to a topic
df = spark \
  .readStream \
  .format("kafka") \
  .option("kafka.bootstrap.servers", "localhost:9092") \
  .option("subscribe", "test") \
  .load()

但我得到了错误

无法执行第 6 行：.option("subscribe", "test") \ Traceback (最近一次调用最后): File "/usr/local/analysis/spark/python/lib/pyspark.zip/pyspark/sql/utils .py”，第 63 行，在装饰中返回 f(*a, **kw) 文件“/usr/local/analysis/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py” ，第 328 行，采用 get_return_value 格式(target_id, ".", name), value) py4j.protocol.Py4JJavaError: 调用 o120.load 时发生错误。：org.apache.spark.sql.AnalysisException：找不到数据源：kafka。请按照《Structured Streaming + Kafka 集成指南》部署部分部署应用程序；在 org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:652) 在 org.apache.spark.sql.streaming.DataStreamReader.load(DataStreamReader.scala:161) 在 sun.reflect。 NativeMethodAccessorImpl.invoke0(本机方法) 在sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62) 在sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) 在java.lang.reflect.Method.invoke(Method. java：498）在py4j.reflection.MethodInvoker.invoke（MethodInvoker.java：244）在py4j.reflection.ReflectionEngine.invoke（ReflectionEngine.java：357）在py4j.Gateway.invoke（Gateway.java：282）在py4j。命令.AbstractCommand.invokeMethod(AbstractCommand.java:132) 在 py4j.commands.CallCommand.execute(CallCommand.java:79) 在 py4j.GatewayConnection.run(GatewayConnection.java:238) 在 java.lang.Thread.run(Thread .java:748)

在处理上述异常的过程中，又出现了一个异常：

回溯（最近一次调用最后）：文件“/tmp/zeppelin_pyspark-312826888257172599.py”，第380行，在exec（code，_zcUserQueryNameSpace）文件“”，第6行，在文件“/usr/local/analysis/spark/python”中/lib/pyspark.zip/pyspark/sql/streaming.py”，第 400 行，加载中返回 self._df(self._jreader.load()) 文件“/usr/local/analysis/spark/python/lib/py4j -0.10.7-src.zip/py4j/java_gateway.py”，第 1257 行，呼叫 应答中，self.gateway_client，self.target_id，self.name）文件“/usr/local/analysis/spark/python/lib/ pyspark.zip/pyspark/sql/utils.py"，第 69 行，在装饰中引发 AnalysisException(s.split(': ', 1)[1], stackTrace) pyspark.sql.utils.AnalysisException: '未能找到数据来源：卡夫卡。请按照“结构化流+ Kafka集成指南”的部署部分部署应用程序。;'

我想知道至少其中一项调整（解释器配置或直接加载）应该有效。

我还在控制台上尝试了spark-submit --jar /usr/local/analysis/jar/spark-streaming-kafka-0-10_2.11.jar，但这似乎只有在我提交程序时才有效。

因此，我还将spark-streaming-kafka-0-10_2.11.jar复制到/usr/local/analysis/spark/jars/，其中所有其他spark jar都在其中。但在重新启动（火花和齐柏林飞艇）后，我总是遇到同样的错误。

与此同时，我发现我可以在网络浏览器中查看spark的环境变量，并且在“Classpath Entries”部分中找到spark-streaming-kafka-0-10_2.11.jar，源为“System Classpath”也作为“由用户添加”（似乎是 Zeppelin 解释器部分中的工件）。所以看来我的前两次尝试应该有效。

Answer 1

第一个问题是您已经下载了 Spark Streaming 包，但尝试创建一个结构化流对象（带有readstream()）。请记住，Spark 流和 Spark 结构化流是两个不同的东西，需要区别对待。

对于结构化流，您需要下载包spark-sql-kafka-0-10_2.11及其依赖项kafka-clients、slf4j-api、snappy-java、lz4-java和unused。您的依赖项部分应如下所示以加载所有必需的包：

z.load("/tmp/spark-sql-kafka-0-10_2.11-2.4.0.jar")
z.load("/tmp/kafka-clients-2.0.0.jar")
z.load("/tmp/lz4-java-1.4.0.jar")
z.load("/tmp/snappy-java-1.1.7.1.jar")
z.load("/tmp/unused-1.0.0.jar")
z.load("/tmp/slf4j-api-1.7.16.jar")