Почему я не могу подключиться к Кафке с помощью PySpark?Получение не может найти ошибку источника данных 'kafka' - PullRequest
Новая
       51

Почему я не могу подключиться к Кафке с помощью PySpark?Получение не может найти ошибку источника данных 'kafka'

0 голосов
/ 25 сентября 2019

Я пытаюсь построить конвейер больших данных в реальном времени с помощью Lambda-Architecture.До сих пор я был в состоянии создать модуль приема данных с Kafka, а также Batch-Layer с S3 и Redshift.Однако я не могу подключиться к моему серверу kafka через PySpark.Я очень новичок в Spark, и я искал решения по всему Интернету, но ни один из них не имеет отношения к среде Python.

Вот мой код: 

import pyspark as spark
from pyspark.sql import SparkSession
spark = SparkSession.builder \
    .master("local[*]") \
    .appName("Learning_Spark") \
    .getOrCreate()

data_stream = spark \
    .readStream \
    .format("kafka") \
    .option("kafka.bootstrap.servers", "localhost:9092") \
    .option("subscribe", "tweets-lambda1") \
    .option("startingOffsets","latest") \
    .load()

Я получаю следующую ошибку: 

Py4JJavaError                             Traceback (most recent call last)
C:\ProgramData\Anaconda3\lib\site-packages\pyspark\sql\utils.py in deco(*a, **kw)
     62         try:
---> 63             return f(*a, **kw)
     64         except py4j.protocol.Py4JJavaError as e:

C:\ProgramData\Anaconda3\lib\site-packages\py4j\protocol.py in get_return_value(answer, gateway_client, target_id, name)
    327                     "An error occurred while calling {0}{1}{2}.\n".
--> 328                     format(target_id, ".", name), value)
    329             else:

Py4JJavaError: An error occurred while calling o36.load.
: org.apache.spark.sql.AnalysisException: Failed to find data source: kafka. Please deploy the application as per the deployment section of "Structured Streaming + Kafka Integration Guide".;
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:652)
    at org.apache.spark.sql.streaming.DataStreamReader.load(DataStreamReader.scala:161)
    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)


During handling of the above exception, another exception occurred:

AnalysisException                         Traceback (most recent call last)
<ipython-input-2-b77746ac3efc> in <module>
      4     .option("kafka.bootstrap.servers", "localhost:9092") \
      5     .option("subscribe", "tweets-lambda1") \
----> 6     .option("startingOffsets","latest") \
      7     .load()

C:\ProgramData\Anaconda3\lib\site-packages\pyspark\sql\streaming.py in load(self, path, format, schema, **options)
    398             return self._df(self._jreader.load(path))
    399         else:
--> 400             return self._df(self._jreader.load())
    401 
    402     @since(2.0)

C:\ProgramData\Anaconda3\lib\site-packages\py4j\java_gateway.py in __call__(self, *args)
   1255         answer = self.gateway_client.send_command(command)
   1256         return_value = get_return_value(
-> 1257             answer, self.gateway_client, self.target_id, self.name)
   1258 
   1259         for temp_arg in temp_args:

C:\ProgramData\Anaconda3\lib\site-packages\pyspark\sql\utils.py in deco(*a, **kw)
     67                                              e.java_exception.getStackTrace()))
     68             if s.startswith('org.apache.spark.sql.AnalysisException: '):
---> 69                 raise AnalysisException(s.split(': ', 1)[1], stackTrace)
     70             if s.startswith('org.apache.spark.sql.catalyst.analysis'):
     71                 raise AnalysisException(s.split(': ', 1)[1], stackTrace)

AnalysisException: 'Failed to find data source: kafka. Please deploy the application as per the deployment section of "Structured Streaming + Kafka Integration Guide".;

Что может быть не так?Я не смог решить эту проблему, посмотрев «Руководство по интеграции структурированного потокового вещания + Kafka», так как информация там в основном относится к среде разработки Java.Я уверен, что информация о конфигурации верна, потому что я использую ту же информацию для Batch-Layer.Любая помощь будет чрезвычайно признательна !!

Редактировать: Согласно упомянутому руководству, я попытался выполнить следующую командуПроходит, но все равно не удается подключиться: 

spark-submit --class "Learning_Spark" --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.3.0 ...

1 Ответ

0 голосов
/ 25 сентября 2019

Благодаря наблюдениям от пользователя pissall мне удалось решить проблему.Это была проблема версии.Я запустил его, запустив pyspark из терминала с помощью следующей команды: 

!pyspark --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.4
...