Cassandra Sink для структурированной потоковой передачи PySpark из темы Kafka

Я хочу записать данные потоковой передачи структуры в Cassandra, используя API структурированной потоковой передачи PySpark.

Мой поток данных выглядит следующим образом:

REST API -> Kafka -> Структурированная потоковая передача Spark (PySpark) -> Cassandra

Источник и версия ниже: Версия Spark: 2.4.3 DataStax DSE: 6.7.6-1

инициализировать искру:

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

подписывайтесь на тему от Кафки:

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

Напишите в Кассандру:

    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()

выполняется следующей командой:

$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

При записи в Кассандру я столкнулся с проблемой / исключением:

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)

Может ли кто-нибудь помочь мне решить проблему и продолжить работу? Любая помощь будет оценена по достоинству.

Заранее спасибо.


apache-kafka apache-spark pyspark spark-structured-streaming spark-cassandra-connector
person gavaskarrathnam    schedule 01.11.2019    source источник
comment
Ошибка указывает на то, что ожидает df_3.write, а не df_3.writeStream   -  person OneCricketeer    schedule 01.11.2019
comment
Это просто: Data source org.apache.spark.sql.cassandra does not support streamed writing   -  person pissall    schedule 01.11.2019
comment
Можете ли вы использовать DSE Analytics вместо OSS Spark? Он поддерживает структурированную потоковую передачу - вам нужно использовать только BYOS вместо коннектора OSS.   -  person Alex Ott    schedule 02.11.2019

Ответы (2)


arrow_upward
1
arrow_downward

Как я уже упоминал в комментарии, если вы используете DSE, вы можете использовать OSS Apache Spark с так называемым BYOS (принеси свою собственную искру) - специальный jar-файл, содержащий версию Spark Cassandra Connector (SCC) для DataStax, которая напрямую поддерживает структурированную потоковую передачу.

Поскольку поддержка структурированной потоковой передачи в SCC 2.5.0 также доступна в версии с открытым исходным кодом, вы можете просто использовать writeStream с форматом для Cassandra. 2.5.0 также содержит много хороших вещей, которые ранее не были доступны в открытом доступе, например, дополнительные оптимизации и т. Д. Существует запись в блоге, в которой они подробно описаны.

person Alex Ott    schedule 11.06.2020

arrow_upward
0
arrow_downward

Большое спасибо за ваш ответ.

Я реализовал его с ForeachBatch Sink вместо прямого стока.

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

Работает. Спасибо вам всем.

person gavaskarrathnam    schedule 02.11.2019