带有 Spark 3.0.1 结构化流的 Kafka：ClassException：org.apache.kafka.common.TopicPartition； class 对反序列化无效

Question

我正在尝试使用 pyspark - 结构化流来读取 google dataproc 中的 kafka 消息。

版本详情如下：

1. dataproc 映像版本是 2.0.0-RC22-debian10（要获得 pyspark 3.0.1 版本和 delta Lake 0.7.0，因为我必须最终将此数据写入托管在谷歌存储上的 delta）
2. pyspark 版本 3.0.1 和 pyspark 使用的 python 版本是 3.7.3
3. 我使用的包是 org.apache.spark:spark-sql-kafka-0-10_2.12:3.0.1
   io.delta:delta-core_2.12:0.7.0
   org.apache.spark:spark-avro_2.12:3.0.1

代码片段是：

__my_dir = os.path.dirname("<directory_path>") 
jsonFormatSchema = open(os.path.join(__my_dir, 'avro_schema_file.avsc'), "r").read() 

df = spark \    
    .readStream \    
    .format("kafka") \   
    .option("kafka.bootstrap.servers", "<kafka_broker>") \   
    .option("subscribe", "<kafka_topic>") \    
    .option("startingOffsets", "latest") \    
    .load()\    
    .select(from_avro("value", jsonFormatSchema)
    .alias("element"))

df.printSchema()
 
df_output =     df.select("element.after.id","element.after.name","element.after.attribute","element.after.quantity")

StreamQuery = ( df_output.writeStream \ 
               .format("delta") \   
               .outputMode("append") \   
               .option("checkpointLocation","<check_point_location>") \   
               .trigger(once=True) \    
               .start("<target_delta_table>") \    )

我得到的错误是：

java.io.InvalidClassException: org.apache.kafka.common.TopicPartition;
class invalid for deserialization

为什么 spark 无法反序列化 TopicPartition，我该如何解决？

Answer 1

以下帖子帮助解决了这个问题： How to use Confluent Schema Registry with from_avro standard function?

另外，我们开始为kafka-client指向下面的jars

kafka-clients-2.4.1.jar

Answer 2

当您将 master 设置为local[*]时，错误消失。 无论如何，这个问题似乎与驱动程序和执行程序之间的 jar 冲突有关：它们使用不同版本的 kafka-clients 库。

为了解决这个问题，您可能需要启动作业

gcloud dataproc jobs submit spark \
 --class <YOUR_CLASS> \
 --jars target/scala-2.12/<COMPILED_JAR_FILE>.jar,kafka-clients-2.4.1.jar  \
 --cluster <CLUSTER_NAME> \
 --region= <YOUR_REGION> \
 --properties spark.jars.packages=org.apache.spark:spark-sql-kafka-0-10_2.12:3.0.1,spark.executor.extraClassPath=org.apache.kafka_kafka-clients-2.4.1.jar,spark.driver.extraClassPath=org.apache.kafka_kafka-clients-2.4.1.jar

这适用于我的情况。 有关版本的更多详细信息，请查看https://mvnrepository.com/artifact/org.apache.spark/spark-sql-kafka-0-10_2.12/3.0.1 。