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>

我一直在摸不着头脑：

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

我也尝试为 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));

    }

而_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here 所述运行我的代码并且使用包选项时：

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

有效

Answer 1

将以下依赖项添加到您的 pom.xml 文件中。

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

Answer 2

更新您的依赖项和版本。下面给定的依赖项应该可以正常工作：

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
        <version>2.1.1</version>
        <scope>provided</scope>
    </dependency>

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-streaming_2.11</artifactId>
        <version>2.1.1</version>
        <scope>provided</scope>
    </dependency>

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
        <version>2.1.1</version>
    </dependency>

PS：注意前两个依赖项中提供的范围。

Answer 3

Spark 结构化流支持使用外部 kafka-0-10-sql 模块将 Apache Kafka 作为流源和接收器。

kafka-0-10-sql 模块不适用于使用 spark-submit 提交执行的 Spark 应用程序。该模块是外部的，要使其可用，您应该将其定义为依赖项。

除非您在 Spark 应用程序中使用 kafka-0-10-sql 特定于模块的代码，否则您不必在 pom.xml 中将模块定义为 dependency。您根本不需要模块上的编译依赖，因为没有代码使用模块的代码。您针对接口进行编码，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 命令行选项，您已报告它工作正常。

但是，当我按照此处提到的方式运行我的代码并且使用包选项时：

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

它与--packages 配合良好的原因是您必须告诉 Spark 基础架构在哪里可以找到kafka 格式的定义。

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）。您必须在 spark-sql-kafka 模块上指定 运行时依赖项。

您可以使用--packages 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）来指定运行时依赖项。

这就是pom.xml 发挥作用的地方（这就是人们提供pom.xml 和dependency 模块帮助的原因）。

所以，首先，你必须在pom.xml中指定依赖。

<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，您必须使用Apache Maven Shade Plugin 在pom.xml 中配置一个超级jar。

使用 Apache Maven Shade 插件，create an Uber JAR 将在 Spark 应用程序 jar 文件中包含所有 kafka 格式的“基础架构”以使其正常工作。事实上，Uber JAR 将包含所有必要的运行时依赖项，因此您可以单独使用 jar 来 spark-submit（并且没有 --packages 选项或类似选项）。