使用Spark Structured Streaming从Kafka读取数据，总是出现超时问题

Question

这是我使用 Spark Structured Streaming 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

如果我把5000放大到10000，还是会出现这个错误。我 google 这个问题来自 Google。好像没有太多关于这个Issue的相关信息。

这是 sbt 文件中与此问题相关的部分。

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

我也遇到了这个错误。

我查看了KafkaSourceRDD的源码，一无所获

我猜kafka连接器有问题，所以我排除了"spark-sql-kafka-0-10_2.11"包中的kafka-client，并添加了一个新的依赖，像这样：

<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。希望对你有帮助。

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

12/17/2018更新：Spark 2.4和Kafka2.0解决问题。

使用Spark Structured Streaming从Kafka读取数据，总是出现超时问题

Using Spark Structured Streaming to Read Data From Kafka, Issue of Over-time is Always Occured

apache-kafka

apache-spark

spark-structured-streaming