python - 即使使用较旧的 spark 版本,也没有名为 'pyspark.streaming.kafka' 的模块

标签 python apache-spark pyspark apache-kafka

在另一个类似的question ,他们提示“安装较旧的 spark 2.4.5。”
编辑:上面链接的解决方案说'安装 spark 2.4.5,它确实有 kafkautils。但问题是我无法下载 spark2.4.5 - 即使在存档中也不可用。
我听从了建议,安装了旧版本的 spark - spark2.4.6(唯一可用的旧版本)并且还有 python37、kafka-python、pyspark 库。
我有需要使用 kafka 的 spark_job.py 文件

from pyspark.streaming.kafka import KafkaUtils
当点击'python spark_job.py
ModuleNotFoundError: No module named 'pyspark.streaming.kafka'
错误仍然存​​在!
spark_job.py:
from __future__ import print_function
import sys
import os
import shutil

from pyspark import SparkContext, SparkConf
from pyspark.streaming import StreamingContext
from pyspark.sql import Row, SparkSession
from pyspark.streaming.kafka import KafkaUtils # this is the problem
import json


outputPath = 'C:/Users/Admin/Desktop/kafka_project/checkpoint_01'


def getSparkSessionInstance(sparkConf):
    if ('sparkSessionSingletonInstance' not in globals()):
        globals()['sparkSessionSingletonInstance'] = SparkSession\
            .builder\
            .config(conf=sparkConf)\
            .getOrCreate()
    return globals()['sparkSessionSingletonInstance']

#-------------------------------------------------
# What I want to do per each RDD...
#-------------------------------------------------
def process(time, rdd):

    print("===========-----> %s <-----===========" % str(time))

    try:
        spark = getSparkSessionInstance(rdd.context.getConf())

        rowRdd = rdd.map(lambda w: Row(branch=w['branch'],
                                       currency=w['currency'],
                                       amount=w['amount']))
                                       
        testDataFrame = spark.createDataFrame(rowRdd)

        testDataFrame.createOrReplaceTempView("treasury_stream")

        sql_query = get_sql_query()
        testResultDataFrame = spark.sql(sql_query)
        testResultDataFrame.show(n=5)

        # Insert into DB
        try:
            testResultDataFrame.write \
                .format("jdbc") \
                .mode("append") \
                .option("driver", 'org.postgresql.Driver') \
                .option("url", "jdbc:postgresql://myhabrtest.cuyficqfa1h0.ap-south-1.rds.amazonaws.com:5432/habrDB") \
                .option("dbtable", "transaction_flow") \
                .option("user", "habr") \
                .option("password", "habr12345") \
                .save()
        except Exception as e:
            print("--> Opps! It seems an Errrorrr with DB working!", e)

    except Exception as e:
        print("--> Opps! Is seems an Error!!!", e)

#-------------------------------------------------
# General function
#-------------------------------------------------
def createContext():

    sc = SparkContext(appName="PythonStreamingKafkaTransaction")
    sc.setLogLevel("ERROR")
    
    ssc = StreamingContext(sc, 2)

    broker_list, topic = sys.argv[1:]

    try:
        directKafkaStream = KafkaUtils.createDirectStream(ssc,
                                        [topic],
                                        {"metadata.broker.list": broker_list})
    except:
        raise ConnectionError("Kafka error: Connection refused: \
                            broker_list={} topic={}".format(broker_list, topic))

    parsed_lines = directKafkaStream.map(lambda v: json.loads(v[1]))

    # RDD handling
    parsed_lines.foreachRDD(process)

    return ssc


if __name__ == "__main__":
    if len(sys.argv) != 3:
        print("Usage: spark_job.py <zk> <topic>", file=sys.stderr)
        exit(-1)
        
    print("--> Creating new context")
    if os.path.exists(outputPath):
        shutil.rmtree('outputPath')

    ssc = StreamingContext.getOrCreate(outputPath, lambda: createContext())
    ssc.start()
    ssc.awaitTermination()

最佳答案

我只是使用 pip 降级了它:

pip install --force-reinstall pyspark==2.4.6
我没有使用任何诗歌。重新安装后,可以识别 kafkaUtils pkg。

关于python - 即使使用较旧的 spark 版本,也没有名为 'pyspark.streaming.kafka' 的模块,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63053460/

相关文章:

apache-spark - Spark MLlib 多类逻辑回归中出现“输入验证失败”错误

python - 结合多个带有不同列的pyspark数据框

python - 序列化多个模型并在一个 json 响应中发送所有模型 django rest framework

scala - Spark Scala Dataframe 如何使用两个或更多现有列创建新列

用于监视程序和控制微 Controller 的Python脚本

scala - 需要使用来自 spark 的数据库限定符访问 Hive 表

python - PySpark 使用 IAM 角色访问 S3

azure - Pyspark Azure Blob 存储 - 未找到类 org.apache.hadoop.fs.azure.NativeAzureFileSystem

python defaultdict 如何在不创建 key 的情况下检查嵌套 key 是否存在或是否为 []

python - MATLAB在NumPy/Python中的流畅实现(n点移动平均)