UDF 原因警告：CachedKafkaConsumer 不是 运行 in UninterruptibleThread (KAFKA-1894)

Question

在通常的 structured_kafka_wordcount.py 代码中，

当我像下面那样按 udf 将行拆分为单词时，

my_split = udf(lambda x: x.split(' '), ArrayType(StringType()))

words = lines.select(
    explode(
        my_split(lines.value)
    )
)

警告会一直显示：

WARN CachedKafkaConsumer: CachedKafkaConsumer is not running in UninterruptibleThread. It may hang when CachedKafkaConsumer's methods are interrupted because of KAFKA-1894

另一方面，当我按 pyspark.sql.functions.split 将行拆分为单词时，一切正常。

words = lines.select(
    explode(
        split(lines.value, ' ') 
    ) 
)

为什么会发生这种情况以及如何修复警告？

这是我在实践中尝试执行的代码：

pattern = "(.+) message repeated (\d) times: \[ (.+)\]"
prog = re.compile(pattern)


def _unfold(x):
    ret = []
    result = prog.match(x)
    if result:
        log = " ".join((result.group(1), result.group(3)))
        times = result.group(2)
        for _ in range(int(times)):
            ret.append(log)
    else:
        ret.append(x)

    return ret

_udf = udf(lambda x: _unfold(x), ArrayType(StringType()))
lines = lines.withColumn('value', explode(_udf(lines['value'])))

Answer 1

除了拒绝 Python UDF * 之外，您无法在代码中解决此问题。正如您在异常消息中所读到的那样，UninterruptibleThread 是 Kafka 错误 (KAFKA-1894) 的解决方法，旨在防止中断 KafkaConsumer.

时的无限循环

它不与 PythonUDFRunner 一起使用（在那里引入特殊情况可能没有意义）。

我个人不会担心，除非您遇到一些相关问题。您的 Python 代码永远不会直接与 KafkaConsumer 交互。如果您遇到任何问题，应该在上游修复 - 在这种情况下，我建议创建一个 JIRA ticket.

---

* 您的 unfold 函数可以用 SQL 函数重写，但这将是一个 hack。将消息计数添加为整数：

from pyspark.sql.functions import concat_ws, col, expr, coalesce, lit, regexp_extract, when

p = "(.+) message repeated (\d) times: \[ (.+)\]"

lines = spark.createDataFrame(
    ["asd message repeated 3 times: [ 12]", "some other message"], "string"
)

lines_with_count = lines.withColumn(
   "message_count", coalesce(regexp_extract("value", p, 2).cast("int"), lit(1)))

用于explode

exploded = lines_with_count.withColumn(
     "i", 
      expr("explode(split(repeat('1', message_count - 1),''))")
).drop("message_count", "i")

并提取：

exploded.withColumn(
    "value",
    when(
        col("value").rlike(p),
         concat_ws(" ", regexp_extract("value", p, 1), regexp_extract("value", p, 3))
    ).otherwise(col("value"))).show(4, False)


# +------------------+
# |value             |
# +------------------+
# |asd 12            |
# |asd 12            |
# |asd 12            |
# |some other message|
# +------------------+