kafka主题中pyspark结构化流媒体的cassandra sink

wnavrhmk  于 2021-06-04  发布在  Kafka
关注(0)|答案(2)|浏览(391)

我想使用pyspark结构化流api将结构化流数据写入cassandra。
我的数据流如下:
restapi->kafka->spark结构化流媒体(pyspark)->cassandra
以下来源和版本:spark版本:2.4.3 datastax dse:6.7.6-1
初始化Spark:

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

订阅Kafka主题:

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

写进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

我在写cassandra时遇到以下问题/例外:

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)

有谁能帮我解决这个问题并继续下去吗?任何帮助都将不胜感激。
提前谢谢。

wfauudbj

wfauudbj1#

非常感谢您的回复。
我已经实现了使用它 ForeachBatch Sink 而不是直接下沉。

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

它在工作。谢谢大家。

kkbh8khc

kkbh8khc2#

正如我在评论中提到的,如果您使用的是dse,那么可以将ossapachespark与所谓的byos(自带spark)一起使用,这个特殊jar包含datastax版本的spark cassandra connector(scc),它直接支持结构化流。
由于SCC2.5.0对结构化流媒体的支持在开源版本中也可用,因此您可以简单地使用 writeStream Cassandra的格式。2.5.0还包含了许多以前在开放源码中没有的好东西,比如额外的优化等等。有一篇博客文章非常详细地描述了它们。

相关问题