来自 kafka 的 Spark Structured Streaming 以分布式方式在 Cassandra 中保存数据

Question

我正在尝试创建从 Kafka 到 Spark 的结构化流，这是一个 json 字符串。现在想要将 json 解析为特定列，然后以最佳速度将数据帧保存到 cassandra 表中。使用 Spark 2.4 和 cassandra 2.11 (Apache) 而不是 DSE。

我尝试创建一个 Direct Stream，它提供案例类的 DStream，我在 DStream 上使用 foreachRDD 将其保存到 Cassandra 中，但这每 6-7 天后就会挂起。因此尝试流式传输直接提供数据帧并可以保存到 Cassandra。

val conf = new SparkConf()
          .setMaster("local[3]")
      .setAppName("Fleet Live Data")
      .set("spark.cassandra.connection.host", "ip")
      .set("spark.cassandra.connection.keep_alive_ms", "20000")
      .set("spark.cassandra.auth.username", "user")
      .set("spark.cassandra.auth.password", "pass")
      .set("spark.streaming.stopGracefullyOnShutdown", "true")
      .set("spark.executor.memory", "2g")
      .set("spark.driver.memory", "2g")
      .set("spark.submit.deployMode", "cluster")
      .set("spark.executor.instances", "4")
      .set("spark.executor.cores", "2")
      .set("spark.cores.max", "9")
      .set("spark.driver.cores", "9")
      .set("spark.speculation", "true")
      .set("spark.locality.wait", "2s")

val spark = SparkSession
  .builder
  .appName("Fleet Live Data")
  .config(conf)
  .getOrCreate()
println("Spark Session Config Done")

val sc = SparkContext.getOrCreate(conf)
sc.setLogLevel("ERROR")
val ssc = new StreamingContext(sc, Seconds(10))
val sqlContext = new SQLContext(sc)
 val topics = Map("livefleet" -> 1)
import spark.implicits._
implicit val formats = DefaultFormats

 val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "brokerIP:port")
  .option("subscribe", "livefleet")
  .load()

val collection = df.selectExpr("CAST(value AS STRING)").map(f => parse(f.toString()).extract[liveevent])

val query = collection.writeStream
  .option("checkpointLocation", "/tmp/check_point/")
  .format("kafka")
  .format("org.apache.spark.sql.cassandra")
  .option("keyspace", "trackfleet_db")
  .option("table", "locationinfotemp1")
  .outputMode(OutputMode.Update)
  .start()
  query.awaitTermination()

预期是将数据帧保存到 cassandra。但是收到此错误：-

线程 "main" org.apache.spark.sql.AnalysisException 中的异常：必须使用 writeStream.start() 执行带有流式源的查询

Answer 1

根据错误信息，我会说Cassandra不是Streaming Sink，我相信你需要使用.write

collection.write
    .format("org.apache.spark.sql.cassandra")
    .options(...)
    .save() 

或

import org.apache.spark.sql.cassandra._

// ...
collection.cassandraFormat(table, keyspace).save()

文档：https://github.com/datastax/spark-cassandra-connector/blob/master/doc/14_data_frames.md#example-using-helper-commands-to-write-datasets

---

但这可能仅适用于数据帧，对于流式源，请参阅 this example，它使用 .saveToCassandra

import com.datastax.spark.connector.streaming._

// ...
val wc = stream.flatMap(_.split("\\s+"))
    .map(x => (x, 1))
    .reduceByKey(_ + _)
    .saveToCassandra("streaming_test", "words", SomeColumns("word", "count")) 

ssc.start()

如果这不起作用，您确实需要一个 ForEachWriter

collection.writeStream
  .foreach(new ForeachWriter[Row] {

  override def process(row: Row): Unit = {
    println(s"Processing ${row}")
  }

  override def close(errorOrNull: Throwable): Unit = {}

  override def open(partitionId: Long, version: Long): Boolean = {
    true
  }
})
.start()

---

另外值得一提的是，Datastax 发布了一个 Kafka 连接器，并且 Kafka Connect 包含在您的 Kafka 安装（假设为 0.10.2）或更高版本中。你可以找到它的announcement here

Answer 2

如果您使用的是 Spark 2.4.0，请尝试使用 foreachbatch 编写器。它在流式查询中使用基于批处理的编写器。

    val query= test.writeStream
       .foreachBatch((batchDF, batchId) =>
        batchDF.write
               .format("org.apache.spark.sql.cassandra")
               .mode(saveMode)
               .options(Map("keyspace" -> keySpace, "table" -> tableName))
               .save())
      .trigger(Trigger.ProcessingTime(3000))
      .option("checkpointLocation", /checkpointing")
      .start
   query.awaitTermination()