spark streaming连接kafka引发"partition.assignment.strategy"异常处理

Posted 2021-03-05 emptyfs

　　服务器运行环境：spark 2.4.4 + scall 2.11.12 + kafka 2.2.2

　　由于业务相对简单，kafka只有固定topics，所以一直使用下面脚本执行实时流计算

spark-submit --packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.4.4 --py-files /data/service/xxx.zip /data/service/xxx.py

　　代码中使用pyspark.streaming.kafka的KafkaUtils来创建spark streaming与kafka的连接，运行了好长时间都没有出现过问题

　　随着新业务接入，在新功能中kafka需要使用动态topics方式，要用到正则表达式，查了KafkaUtils源码和相关资料，发现它不支持动态topics方式，需要使用spark-streaming-kafka-0-10才能支持

　　查看文档http://spark.apache.org/docs/latest/structured-streaming-programming-guide.html 与 http://spark.apache.org/docs/latest/structured-streaming-kafka-integration.html 后，使用结构化流structured-streaming来实现

　　实现代码：

import sys

from pyspark.sql import SparkSession

def process_row(row):
    # Write row to storage
    pass

if __name__ == "__main__":
    if len(sys.argv) != 4:
        print("""
        Usage: structured_kafka_wordcount.py <bootstrap-servers> <subscribe-type> <topics>
        """, file=sys.stderr)
        sys.exit(-1)

    bootstrapServers = sys.argv[1]
    subscribeType = sys.argv[2]
    topics = sys.argv[3]

    spark = SparkSession        .builder        .appName("StructuredKafkaWordCount")        .getOrCreate()

    # Create DataSet representing the stream of input lines from kafka
    ds = spark        .readStream        .format("kafka")        .option("kafka.bootstrap.servers", bootstrapServers)        .option(subscribeType, topics)        .load()        .selectExpr("CAST(value AS STRING)")

    ds.printSchema()
    query = ds.writeStream.foreach(process_row).start()
    query.awaitTermination()

　　执行提交任务命令

spark-submit --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.4 /data/service/demo.py master:9092 subscribePattern event.log.*

　　提交后一直报下面错误

org.apache.kafka.common.config.ConfigException: 
Missing required configuration "partition.assignment.strategy" which has no default value

　　查了好多资料，都说需要添加参数，配置Kafka分区分配策略，并将readStream修改为：

    ds = spark        .readStream        .format("kafka")        .option("kafka.bootstrap.servers", bootstrapServers)        .option("kafka.partition.assignment.strategy", "range")        .option(subscribeType, topics)        .load()

　　再次运行异常信息改为无法连接kafka了，弄了整整一天人都快崩溃了还没搞定

　　还好最终查找https://xbuba.com/questions/44959483，大牛提示说有可能是kafka0.8版本的jar与kafka0.10的jar冲突原因造成的

　　使用命令查找

find / -name ‘spark-streaming-kafka*‘
find / -name ‘spark-sql-kafka*‘

　　发现在/root/.ivy2/cache/org.apache.spark/ 目录下面存在spark-streaming-kafka-0-8_2.11 与 spark-sql-kafka-0-10_2.11 文件夹和相关的jar文件

　　将spark-streaming-kafka-0-8_2.11删除后执行代码就正常运行了

　　由于老脚本用的还是kafka0.8，为了兼容两个版本能同时运行，需要将/root/.ivy2/cache/org.apache.spark/ 目录下面kafka0.8与kafka0.10两个版本的jar全部清除

　　然后登录https://repo1.maven.org/maven2/org/apache/spark/ 下载spark-streaming-kafka-0-8与spark-sql-kafka-0-10对应的jar下来，并将提交命令spark-submit的参数改为：

spark-submit --jars /data/service/spark-streaming-kafka-0-8-assembly_2.11-2.4.4.jar --py-files /data/service/xxx.zip /data/service/xxx.py
spark-submit --jars /data/service/spark-sql-kafka-0-10_2.11-2.4.4.jar /data/service/demo.py master:9092 subscribePattern event.log.*

　　修改后两个脚本运行都没有问题（PS：老脚本原想直接用org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.4包来启动，执行后直接暴错，提示说要改为org.apache.spark:spark-streaming-kafka-0-8_2.11:2.4.4才行）