maven - 为什么 spark-submit 找不到 kafka 数据源，除非使用 --packages？

Question

我正在尝试将 Kafka 集成到我的 Spark 应用程序中，这是我的 POM 文件所需的条目:

<dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
        <version>${spark.stream.kafka.version}</version>
</dependency>
<dependency>
        <groupId>org.apache.kafka</groupId>
        <artifactId>kafka_2.11</artifactId>
        <version>${kafka.version}</version>
</dependency>

对应的神器版本有:

<kafka.version>0.10.2.0</kafka.version>
<spark.stream.kafka.version>2.2.0</spark.stream.kafka.version>

我一直在挠头:

Exception in thread "main" java.lang.ClassNotFoundException: Failed to find data source: kafka. Please find packages at http://spark.apache.org/third-party-projects.html

我还尝试为 jar 提供 --jars参数，但它没有帮助。我在这里想念什么？

代码:

private static void startKafkaConsumerStream() {

        Dataset<HttpPackage> ds1 = _spark
                .readStream()
                .format("kafka")
                .option("kafka.bootstrap.servers", getProperty("kafka.bootstrap.servers"))
                .option("subscribe", HTTP_FED_VO_TOPIC)
                .load() // Getting the error here
                .as(Encoders.bean(HttpPackage.class));

        ds1.foreach((ForeachFunction<HttpPackage>)  req ->System.out.print(req));

    }

_spark 定义为:

_spark = SparkSession
                .builder()
                .appName(_properties.getProperty("app.name"))
                .config("spark.master", _properties.getProperty("master"))
                .config("spark.es.nodes", _properties.getProperty("es.hosts"))
                .config("spark.es.port", _properties.getProperty("es.port"))
                .config("spark.es.index.auto.create", "true")
                .config("es.net.http.auth.user", _properties.getProperty("es.net.http.auth.user"))
                .config("es.net.http.auth.pass", _properties.getProperty("es.net.http.auth.pass"))
                .getOrCreate();

我的进口是:

import org.apache.kafka.clients.producer.Producer;
import org.apache.kafka.common.serialization.StringDeserializer;
import org.apache.kafka.common.serialization.StringSerializer;
import org.apache.spark.api.java.function.ForeachFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Encoders;
import org.apache.spark.sql.SparkSession;

但是，当我按照提到的 here 运行我的代码时并且与包选项有关:

--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.1.0

有用

Answer 1

Spark 结构化流支持 Apache Kafka 作为流源和接收器，使用外部 kafka-0-10-sql模块。kafka-0-10-sql模块对使用 spark-submit 提交执行的 Spark 应用程序不可用.该模块是外部的，要使其可用，您应该将其定义为依赖项。
除非你使用 kafka-0-10-sql Spark 应用程序中的模块特定代码，您不必将模块定义为 dependency在 pom.xml .您根本不需要 编译依赖 在模块上，因为没有代码使用模块的代码。您针对接口(interface)进行编码，这也是 Spark SQL 使用起来如此愉快的原因之一(即，它只需要很少的代码就可以拥有相当复杂的分布式应用程序)。spark-submit但是需要--packages您报告的命令行选项运行良好。

However when I run my code as mentioned here and which is with the package option:

--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.1.0

它与 --packages 配合良好的原因是你必须告诉 Spark 基础设施在哪里可以找到 kafka 的定义格式。
这导致我们使用 Kafka 运行流式 Spark 应用程序的另一个“问题”(或要求)。您必须指定 运行时依赖 在 spark-sql-kafka模块。
使用 --packages 指定运行时依赖项命令行选项(在您 spark-submit 您的 Spark 应用程序之后下载必要的 jar)或创建所谓的 uber-jar(或 fat-jar)。
这就是pom.xml来玩(这就是为什么人们用 pom.xml 和模块作为 dependency 提供帮助的原因)。
因此，首先，您必须在 pom.xml 中指定依赖项。 .

<dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-sql-kafka-0-10_2.11</artifactId>
  <version>2.2.0</version>
</dependency>

最后但并非最不重要的一点是，您必须构建一个您在 pom.xml 中配置的 uber-jar。使用 Apache Maven Shade Plugin .
使用 Apache Maven Shade 插件 create an Uber JAR这将包括kafka 的所有“基础设施”格式工作，在 Spark 应用程序 jar 文件中。事实上，Uber JAR 将包含所有必要的运行时依赖项，因此您可以 spark-submit单独使用 jar (并且没有 --packages 选项或类似选项)。