scala - 流式源的查询必须使用 writeStream.start() 执行；

Question

我正在尝试在 Spark 中读取来自 kafka(版本 10)的消息并尝试打印它。

     import spark.implicits._

         val spark = SparkSession
              .builder
              .appName("StructuredNetworkWordCount")
              .config("spark.master", "local")
              .getOrCreate()  

            val ds1 = spark.readStream.format("kafka")
              .option("kafka.bootstrap.servers", "localhost:9092")  
              .option("subscribe", "topicA")
              .load()

           ds1.collect.foreach(println)
           ds1.writeStream
           .format("console")
           .start()

           ds1.printSchema()

在线程“main”中出现错误异常

org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;

Answer 1

您正在对查询计划进行分支:从您尝试执行的同一个 ds1 开始:

• ds1.collect.foreach(...)
• ds1.writeStream.format(...){...}

但是您只在第二个分支上调用 .start() ，而使另一个分支悬空而没有终止，这反过来会引发您返回的异常。

解决方案是启动两个分支并等待终止。

val ds1 = spark.readStream.format("kafka")
  .option("kafka.bootstrap.servers", "localhost:9092")  
  .option("subscribe", "topicA")  
  .load()
val query1 = ds1.collect.foreach(println)
  .writeStream
  .format("console")
  .start()
val query2 = ds1.writeStream
  .format("console")
  .start()

ds1.printSchema()
query1.awaitTermination()
query2.awaitTermination()