Cassandra Sink for PySpark 来自 Kafka 主题的结构化流式传输

Question

我想使用 PySpark Structured Streaming API 将 Structure Streaming Data 写入 Cassandra。

我的数据流如下：

REST API -> Kafka -> Spark 结构化流 (PySpark) -> Cassandra

下面的源和版本：Spark 版本：2.4.3 DataStax DSE：6.7.6-1

初始化火花：

spark = SparkSession.builder\
.master("local[*]")\
.appName("Analytics")\
.config("kafka.bootstrap.servers", "localhost:9092")\
.config("spark.cassandra.connection.host","localhost:9042")\
.getOrCreate()

从 Kafka 订阅主题：

df = spark.readStream.format("kafka")\
    .option("kafka.bootstrap.servers", "localhost:9092")\
    .option("subscribe", "topic") \
    .load()

写入 Cassandra：

    w_df_3 = df...

    write_db = w_df_3.writeStream \
    .option("checkpointLocation", '/tmp/check_point/') \
    .format("org.apache.spark.sql.cassandra") \
    .option("keyspace", "analytics") \
    .option("table", "table") \
    .outputMode(outputMode="update")\
    .start()

使用以下命令执行：

$spark-submit --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.0,datastax:spark-cassandra-connector:2.4.0-s_2.11 Analytics.py localhost:9092 topic

在将流写入 Cassandra 时，我面临以下问题/异常：

py4j.protocol.Py4JJavaError: An error occurred while calling o81.start.
: java.lang.UnsupportedOperationException: Data source org.apache.spark.sql.cassandra does not support streamed writing
    at org.apache.spark.sql.execution.datasources.DataSource.createSink(DataSource.scala:297)
    at org.apache.spark.sql.streaming.DataStreamWriter.start(DataStreamWriter.scala:322)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:282)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:238)
    at java.lang.Thread.run(Thread.java:748)

任何人都可以帮助我解决如何解决并进一步进行吗？ 任何帮助将不胜感激。

提前致谢。

Answer 1

As i mentioned in the comment, if you're using DSE, you can use OSS Apache Spark with so-called BYOS (bring your own spark) - special jar that contains the DataStax's version of Spark Cassandra Connector (SCC) that contains direct support用于结构化流。

由于 SCC 2.5.0 对结构化流的支持在开源版本中也可用，因此您可以简单地使用格式为 Cassandra 的writeStream 。 2.5.0 还包含了很多以前在开源中没有的好东西，比如额外的优化等。有一篇博文非常详细地描述了它们。

Answer 2

非常感谢您的回复。

我已经实现了使用ForeachBatch Sink而不是直接接收器。

w_df_3.writeStream\
.trigger(processingTime='5 seconds')\
.outputMode('update')\
.foreachBatch(save_to_cassandra)\
.start()

它正在工作。 谢谢你们。