我想使用 kafka 源在 databricks 中创建结构化流。 我按照此处所述的说明进行操作。我的脚本似乎已启动,但是我无法在 databricks 笔记本中打印/输出某些内容。当我使用
confluent_kafka
时,流本身工作正常,并产生结果和工作(在数据块中),因此我似乎缺少一个不同的问题:
脚本似乎“卡在”“运行命令”/“流初始化”处。
任何意见都将受到高度赞赏!
from pyspark.sql import functions as F
from pyspark.sql.types import *
# Define a data schema
schema = StructType() \
.add('PARAMETERS_TEXTVALUES_070_VALUES', StringType())\
.add('ID', StringType())\
.add('PARAMETERS_TEXTVALUES_001_VALUES', StringType())\
.add('TIMESTAMP', TimestampType())
df = spark \
.readStream \
.format("kafka") \
.option("host", "stream.xxx.com") \
.option("port", 12345)\
.option('kafka.bootstrap.servers', 'stream.xxx.com:12345') \
.option('subscribe', 'stream_test.json') \
.option("startingOffset", "earliest") \
.load()
df_word = df.select(F.col('key').cast('string'),
F.from_json(F.col('value').cast('string'), schema).alias("parsed_value"))
# Group by id and count
df_group = df_word.select('parsed_value.*')\
.groupBy('ID').count()
query = df_group \
.writeStream \
.outputMode("complete") \
.format("console") \
.start()
query.awaitTermination()
我的流输出数据如下所示:
"PARAMETERS_TEXTVALUES_070_VALUES":'something'
"ID":"47575963333908"
"PARAMETERS_TEXTVALUES_001_VALUES":12345
"TIMESTAMP": "2020-10-22T15:06:42.507+02:00"
澄清一下:我正在尝试将
query
的组件打印到笔记本上以测试连接。此单元格之后或以上单元格之前没有单元格。
谢谢,注意安全。
这是已弃用的 Kafka 偏移读取器的一个已知问题,当传入无效配置(例如错误的 IP 地址或端口)时。这是由于 Kafka 客户端在获取元数据时出现问题造成的。
默认情况下启用了新的偏移读取器,这将在这种情况下引发 Kafka
TimeoutException
。如果您使用的是旧版本,请设置 Spark 配置:
spark.sql.streaming.kafka.useDeprecatedOffsetFetching到false
参见:https://spark.apache.org/docs/latest/structured-streaming-kafka-integration.html#offset-fetching