如何正确提交 kafka 流式 pyspark 作业到 Google Dataproc

Question

我正在尝试通过 Dataproc UI 提交一个 pyspark 作业，但一直出现错误，看起来它没有加载 kafka 流媒体包。

这是我工作中 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

找到包裹

完整跟踪：https://pastebin.com/Uz3iGy2N

Answer 1

您可能运行遇到以下问题：“--packages” 是 spark-submit 中的语法糖，当 higher-level 工具 (Dataproc) 以编程方式调用 Spark 时，它的交互效果很差提交，使用我在此处的回复中描述的替代语法：

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，而不是在作业参数中传递 --properties。

如何正确提交 kafka 流式 pyspark 作业到 Google Dataproc

How to properly submit kafka streaming pyspark job to Google Dataproc

python

google-cloud-platform

pyspark

google-cloud-dataproc