来自 Kafka 主题的 PySpark 结构化流的 Cassandra Sink答案

【问题标题】：Cassandra Sink for PySpark Structured Streaming from Kafka topic来自 Kafka 主题的 PySpark 结构化流的 Cassandra Sink
【发布时间】：2020-02-27 20:38:10
【问题描述】：

我想使用 PySpark Structured Streaming API 将 Structure Streaming Data 写入 Cassandra。

我的数据流如下：

REST API -> Kafka -> Spark 结构化流式处理 (PySpark) -> Cassandra

来源和版本如下：火花版本：2.4.3 DataStax DSE：6.7.6-1

初始化火花：

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

从 Kafka 订阅主题：

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

写入 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

我在写入 Cassandra 时遇到以下问题/异常：

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)

任何人都可以帮助我解决如何解决并继续进行吗？任何帮助将不胜感激。

提前致谢。

【问题讨论】：

错误表明它需要df_3.write而不是df_3.writeStream
很简单：Data source org.apache.spark.sql.cassandra does not support streamed writing
您可以使用 DSE Analytics 代替 OSS Spark 吗？它支持结构化流 - 您只需要使用 BYOS 而不是 OSS 连接器

标签： apache-spark pyspark apache-kafka spark-structured-streaming spark-cassandra-connector

【解决方案1】：

正如我在评论中提到的，如果您使用的是 DSE，则可以将 OSS Apache Spark 与所谓的 BYOS (bring your own spark) 一起使用 - 包含 DataStax 版本的 Spark Cassandra 连接器 (SCC) 的特殊 jar，其中包含直接支持结构化流媒体。

由于 SCC 2.5.0 对结构化流的支持也在开源版本中提供，因此您可以简单地将 writeStream 与 Cassandra 的格式一起使用。 2.5.0还包含了很多以前开源中没有的好东西，比如额外的优化等等。有一个blog post很详细地描述了它们。

【讨论】：

【解决方案2】：

非常感谢您的回复。

我已经将它与ForeachBatch Sink 一起使用，而不是直接接收器。

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

它正在工作。谢谢大家。

【讨论】：