Pyspark 找不到数据源：kafka

Question

我正在研究 Kafka 流媒体并尝试将其与 Apache Spark 集成。但是，在运行时，我遇到了问题。我收到以下错误。

这是我正在使用的命令。

df_TR = Spark.readStream.format("kafka").option("kafka.bootstrap.servers", "localhost:9092").option("subscribe", "taxirides").load()

错误：

Py4JJavaError：调用 o77.load 时出错。：java.lang.ClassNotFoundException：找不到数据源：kafka。请在http://spark.apache.org/third-party-projects.html查找包

我该如何解决这个问题？

注意：我在 Jupyter Notebook 中运行它

findspark.init('/home/karan/spark-2.1.0-bin-hadoop2.7')
import pyspark
from pyspark.sql import SparkSession
Spark = SparkSession.builder.appName('KafkaStreaming').getOrCreate()
from pyspark.sql.types import *
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils

到这里为止一切都运行良好（以上代码）

df_TR = Spark.readStream.format("kafka").option("kafka.bootstrap.servers", "localhost:9092").option("subscribe", "taxirides").load()

这是出错的地方（代码上方）。

我关注的博客：https://www.adaltas.com/en/2019/04/18/spark-streaming-data-pipelines-with-structured-streaming/

Answer 1

不清楚您是如何运行代码的。继续阅读博客，你会看到

spark-submit \
  ...
  --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.0 \
  sstreaming-spark-out.py

您似乎错过了添加 --packages 标志

在 Jupyter 中，你可以添加这个

import os

# setup arguments
os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.0'

# initialize spark
import pyspark
findspark.init()

注意：_2.11:2.4.0 需要与您的 Scala 和 Spark 版本保持一致...根据问题，您的应该是 Spark 2.1.0