2017-01-09 3 views
1

после долгого времени поиска его не могут помочь, и мне нужно спросить вас! Я хочу сделать простой Word Count из Hashtags из Tweets с Apache Spark. Приложение получает Hashtags от Kafka, и все работает нормально до функции reduceByKey. (Я знаю, что существует прямая связь betwenn Twitter и Спарк)Apache Spark: функция reduceByKey останавливает Java-приложение

Без этой функции результат таков:

------------------------------------------- 
Time: 1483986210000 ms 
------------------------------------------- 
(Presse,1) 
(Trump,1) 
(TheResistanceGQ,1) 
(MerylStreep,1) 
(theresistance,1) 
(Theranos,1) 
(Russian,1) 
(Trump,1) 
(trump,1) 
(Üstakıl,1) 
... 

Что мне нужно, что похоже Hastags получить подсчет и отображение, поэтому я нужен reduceByKey функции, но я получаю следующее сообщение об ошибке:

17/01/09 19:28:54 INFO DAGScheduler: ShuffleMapStage 0 (mapToPair at JavaDirectKafkaWordCount.java:106) finished in 0,377 s 
17/01/09 19:28:54 INFO DAGScheduler: looking for newly runnable stages 
17/01/09 19:28:54 INFO DAGScheduler: running: Set() 
17/01/09 19:28:54 INFO DAGScheduler: waiting: Set(ResultStage 1) 
17/01/09 19:28:54 INFO DAGScheduler: failed: Set() 
17/01/09 19:28:54 INFO DAGScheduler: Submitting ResultStage 1 (ShuffledRDD[4] at reduceByKey at JavaDirectKafkaWordCount.java:113), which has no missing parents 
17/01/09 19:28:54 INFO MemoryStore: Block broadcast_1 stored as values in memory (estimated size 3.2 KB, free 899.7 MB) 
17/01/09 19:28:54 INFO MemoryStore: Block broadcast_1_piece0 stored as bytes in memory (estimated size 1948.0 B, free 899.7 MB) 
17/01/09 19:28:54 INFO BlockManagerInfo: Added broadcast_1_piece0 in memory on XXX.XXX.XXX.XXX:56435 (size: 1948.0 B, free: 899.7 MB) 
17/01/09 19:28:54 INFO SparkContext: Created broadcast 1 from broadcast at DAGScheduler.scala:1012 
17/01/09 19:28:54 INFO DAGScheduler: Submitting 1 missing tasks from ResultStage 1 (ShuffledRDD[4] at reduceByKey at JavaDirectKafkaWordCount.java:113) 
17/01/09 19:28:54 INFO TaskSchedulerImpl: Adding task set 1.0 with 1 tasks 
17/01/09 19:28:54 INFO TaskSetManager: Starting task 0.0 in stage 1.0 (TID 2, localhost, partition 0, ANY, 5800 bytes) 
17/01/09 19:28:54 INFO Executor: Running task 0.0 in stage 1.0 (TID 2) 
17/01/09 19:28:54 INFO ShuffleBlockFetcherIterator: Getting 2 non-empty blocks out of 2 blocks 
17/01/09 19:28:54 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 5 ms 
17/01/09 19:28:54 ERROR Executor: Exception in task 0.0 in stage 1.0 (TID 2) 
java.lang.NoClassDefFoundError: net/jpountz/util/SafeUtils 
    at org.apache.spark.io.LZ4BlockInputStream.read(LZ4BlockInputStream.java:124) 
    at java.io.ObjectInputStream$PeekInputStream.read(ObjectInputStream.java:2338) 
    at java.io.ObjectInputStream$PeekInputStream.readFully(ObjectInputStream.java:2351) 
    at java.io.ObjectInputStream$BlockDataInputStream.readShort(ObjectInputStream.java:2822) 
    at java.io.ObjectInputStream.readStreamHeader(ObjectInputStream.java:804) 
    at java.io.ObjectInputStream.<init>(ObjectInputStream.java:301) 
... 

Вот мой код:

package org.apache.spark.examples.streaming; 

import java.util.HashMap; 
import java.util.HashSet; 
import java.io.FileOutputStream; 
import java.io.PrintStream; 
import java.time.Duration; 
import java.util.Arrays; 
import java.util.Iterator; 
import java.util.Map; 
import java.util.Map.Entry; 
import java.util.Set; 
import java.util.regex.Pattern; 

import scala.Tuple2; 

import kafka.serializer.StringDecoder; 

import org.apache.spark.SparkConf; 
import org.apache.spark.api.java.JavaPairRDD; 
import org.apache.spark.api.java.function.*; 
import org.apache.spark.streaming.api.java.*; 
import org.apache.spark.streaming.kafka.KafkaUtils; 
import org.apache.spark.streaming.Durations; 
import org.apache.log4j.Logger; 

/** 
* Consumes messages from one or more topics in Kafka and does wordcount. 
*/ 

public final class JavaDirectKafkaWordCount { 
    private static final Pattern SPACE = Pattern.compile(" "); 

    public static void main(String[] args) throws Exception { 

     String brokers = "XXX.XXX.XXX.XXX:9092"; 
     String topics = "topicMontag"; 

     // Create context with a 2 seconds batch interval 
     SparkConf sparkConf = new SparkConf().setAppName("JavaDirectKafkaWordCount").setMaster("local[*]"); 
     JavaStreamingContext jssc = new JavaStreamingContext(sparkConf, Durations.seconds(2)); 

     Set<String> topicsSet = new HashSet<>(Arrays.asList(topics.split(","))); 
     Map<String, String> kafkaParams = new HashMap<>(); 
     kafkaParams.put("metadata.broker.list", brokers); 
     kafkaParams.put("group.id", "1"); 
     kafkaParams.put("auto.offset.reset", "smallest"); 

     // Create direct kafka stream with brokers and topics 
     JavaPairInputDStream<String, String> messages = KafkaUtils.createDirectStream(jssc, String.class, String.class, 
       StringDecoder.class, StringDecoder.class, kafkaParams, topicsSet); 

     messages.foreachRDD(rdd -> { 
      System.out.println(
        "--- New RDD with " + rdd.partitions().size() + " partitions and " + rdd.count() + " records"); 
      // rdd.foreach(record -> System.out.println(record._2)); 
     }); 

     JavaDStream<String> lines = messages.map(new Function<Tuple2<String, String>, String>() { 
      @Override 
      public String call(Tuple2<String, String> tuple2) { 
       return tuple2._2(); 
      } 
     }); 

     JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() { 
      @Override 
      public Iterator<String> call(String x) { 
       return Arrays.asList(SPACE.split(x)).iterator(); 
      } 
     }); 

     JavaPairDStream<String, Integer> wordCounts = words.mapToPair(new PairFunction<String, String, Integer>() { 
      @Override 
      public Tuple2<String, Integer> call(String s) { 
       return new Tuple2<>(s, 1); 
      } 
     }); 

     JavaPairDStream<String, Integer> result = wordCounts.reduceByKey(new Function2<Integer, Integer, Integer>() { 
      @Override 
      public Integer call(Integer i1, Integer i2) { 
       return new Integer(i1 + i2); 
      } 
     }); 

     //wordCounts.print(); 
     result.print(); 
     // PrintStream out = new PrintStream(new 
     // FileOutputStream("output.txt")); 
     // System.setOut(out); 

     // Start the computation 

     jssc.start(); 
     jssc.awaitTermination(); 
    } 
} 

Вот мой pom.xml:

<dependencies> 
    <dependency> 
     <groupId>junit</groupId> 
     <artifactId>junit</artifactId> 
     <version>3.8.1</version> 
     <scope>test</scope> 
    </dependency> 
    <dependency> 
     <groupId>org.apache.kafka</groupId> 
     <artifactId>kafka_2.10</artifactId> 
     <version>0.8.2.2</version> 
    </dependency> 
    <dependency> 
     <groupId>org.twitter4j</groupId> 
     <artifactId>twitter4j-stream</artifactId> 
     <version>4.0.4</version> 
    </dependency> 
    <dependency> 
     <groupId>com.twitter</groupId> 
     <artifactId>hbc-core</artifactId> 
     <version>2.2.0</version> 
    </dependency> 
    <dependency> 
     <groupId>org.apache.spark</groupId> 
     <artifactId>spark-streaming_2.10</artifactId> 
     <version>2.0.1</version> 
    </dependency> 
    <dependency> 
     <groupId>org.scala-lang</groupId> 
     <artifactId>scala-xml</artifactId> 
     <version>2.11.0-M4</version> 
    </dependency> 
    <dependency> 
     <groupId>org.apache.spark</groupId> 
     <artifactId>spark-streaming-kafka_2.10</artifactId> 
     <version>1.6.1</version> 
    </dependency> 
    <dependency> 
     <groupId>org.apache.spark</groupId> 
     <artifactId>spark-examples_2.10</artifactId> 
     <version>1.0.0</version> 
    </dependency> 
</dependencies> 

Может быть, кого-нибудь есть идеи? Спасибо ...

+1

'NoClassDefFo У undError' есть очень специфический смысл и причина. Какова остальная часть выхода журнала? – nitind

ответ

0

Проблема с неправильным определением pom.xml.

Сначала <version>2.11.0-M4</version> в XML-лестницу - заменить его версии 2.10 или вы будете иметь другие ошибки

Ваш вопрос в том, что вы используете зависимость org.apache.kafka:kafka_2.10:jar:0.8.2.2, которая имеет net.jpountz.lz4:lz4:jar:1.2.0, как это зависимость. Spark 2 использует net.jpountz.lz4:lz4:jar:1.3.0. Unfortunatelly Maven решает эту библиотеку на более низкую версию, которая не может быть использована с искровым 2

шаги, чтобы сделать свой проект работы:

  1. Scala-XML должен быть в версии 2.10 или обновить искру Scala 2.11
  2. Удалить зависимость Kafka
  3. Обеспечьте согласованную версию искры для всех артефактов искр - искрообразование, искровое ядро, искрообразование Кафка, примеры искры. Все они должны иметь одну и ту же версию

Полезные цели Maven, чтобы исследовать проблемы с зависимостями:

  1. mvn dependency:tree
  2. mvn dependency:resolve

Пример pom.xml:

<dependencies> 
    <dependency> 
     <groupId>junit</groupId> 
     <artifactId>junit</artifactId> 
     <version>3.8.1</version> 
     <scope>test</scope> 
    </dependency> 
    <dependency> 
     <groupId>org.twitter4j</groupId> 
     <artifactId>twitter4j-stream</artifactId> 
     <version>4.0.4</version> 
    </dependency> 
    <dependency> 
     <groupId>com.twitter</groupId> 
     <artifactId>hbc-core</artifactId> 
     <version>2.2.0</version> 
    </dependency> 
    <dependency> 
     <groupId>org.apache.spark</groupId> 
     <artifactId>spark-streaming_2.10</artifactId> 
     <version>2.0.1</version> 
    </dependency> 
    <dependency> 
     <groupId>org.apache.spark</groupId> 
     <artifactId>spark-streaming-kafka-0-8_2.10</artifactId> 
     <version>2.1.0</version> 
    </dependency> 
</dependencies> 
+0

Я пробовал много разных версий в зависимостях, но эта комбинация отлично работает! Большое спасибо! – Eddy

Смежные вопросы