如何正确将Kafka流式pyspark作业提交给Google Dataproc

Question

我正在尝试通过Dataproc UI提交pyspark作业，并不断收到错误，看来它没有加载kafka流包。

这是UI在我的工作中提供的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" ] } } }

我试图通过kafka软件包作为args和jar文件。

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：无法找到数据源：kafka。 请在http://spark.apache.org/third-party-projects.html中找到软件包

完整跟踪： https : //pastebin.com/Uz3iGy2N

Answer 1

您可能会遇到一个问题，其中“ --packages”是spark-submit中的语法糖，当高级工具（Dataproc）以编程方式调用Spark提交时相互作用很差，在我的答复中描述了一种替代语法： use来自google-dataproc的Spark集群中pyspark作业中的外部库

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--properties中传递--properties工作参数。