sbt编译Spark App的依赖问题

陆道峰

发布于 2020-06-17 22:01:56

1.6K0

发布于 2020-06-17 22:01:56

文章被收录于专栏：机器学习与系统机器学习与系统

背景简介

Spark App（用Spark APIs编写的）需要submit到Spark Cluster运行，对于Scala编写的代码，提交之前要用sbt或者maven把以下内容：

源代码
依赖的jar包

全部打包成一个大的jar文件，这样代码就不会因为没有依赖无法在集群中运行。

问题

我司用Scala编写Spark streaming应用，实现读取Kafka数据，处理后存储到cassandra集群中。这里需要用到一个包spark-streaming-kafka，之前用的spark1.6.0的版本。sbt中的配置如下：

libraryDependencies ++= Seq(
 // Spark dependency
 "com.eaio.uuid" % "uuid" % "3.2",
 "org.apache.spark" %% "spark-core" % "1.6.0" % "provided",
 "org.apache.spark" %% "spark-sql" % "1.6.0" % "provided",
 "org.apache.spark" %% "spark-streaming" % "1.6.0" % "provided",
 "org.apache.spark" %% "spark-streaming-kafka" % "1.6.0",
 "com.datastax.spark" %% "spark-cassandra-connector" % "1.6.0-M2",
  // Third-party libraries
 "com.github.scopt" %% "scopt" % "3.4.0"
)

升级到Spark 2.0.0后需要更新软件包版本，于是将sbt构建配置中的依赖部分改为：

libraryDependencies ++= Seq(
 // Spark dependency
 "com.eaio.uuid" % "uuid" % "3.2",
 "org.apache.spark" %% "spark-core" % "2.0.0" % "provided",
 "org.apache.spark" %% "spark-sql" % "2.0.0" % "provided",
 "org.apache.spark" %% "spark-streaming" % "2.0.0" % "provided",
 "org.apache.spark" %% "spark-streaming-kafka" % "2.0.0",
 "com.datastax.spark" %% "spark-cassandra-connector" % "2.0.0-M2",
  // Third-party libraries
 "com.github.scopt" %% "scopt" % "3.4.0"
)

本以为这样修改后重新构建就没问题了。但是我太天真了，构建后报错，提示：

[warn]     ::::::::::::::::::::::::::::::::::::::::::::::
[warn]     ::          UNRESOLVED DEPENDENCIES         ::
[warn]     ::::::::::::::::::::::::::::::::::::::::::::::
[warn]     :: org.apache.spark#spark-streaming-kafka_2.10;2.0.0: not found
[warn]     ::::::::::::::::::::::::::::::::::::::::::::::
[warn]
[warn]     Note: Unresolved dependencies path:
[warn]         org.apache.spark:spark-streaming-kafka_2.10:2.0.0 (/home/linker/workspace/linkerwp/linkerStreaming/build.sbt#L12-23)
[warn]           +- Linker Networks Inc.:linker-streaming_2.10:0.0.1
sbt.ResolveException: unresolved dependency: org.apache.spark#spark-streaming-kafka_2.10;2.0.0: not found

说明这个包是不存在的，于是马上到maven repo上去找。常见的Maven公共repo有：

search.maven.org…用于搜索你的依赖包。
https://mvnrepository.com/…maven仓库。

进入网址输入spark-streaming-kafka搜索后数来好几和选项，前面4个结果都是不支持Spark 2.0.0的，这让我误以为Spark 2.0.0还不支持Kafka，这个想法被前面几个搜索结果误导了。因为对于2.0.0的Spark，Kafka添加了具体的版本号！spark-streaming-kafka→spark-streaming-kafka-0-8就可以找到了（实际上这个版本也在maven repo的搜索结果，因为靠后我没有去看）！！

总结

对于Java/Scala的编译问题，我曾经特别抗拒，因为maven和sbt的配置文件很冗杂，没有Python的简洁明了。Python里20行的依赖文件在maven/sbt里至少200行，而且只要有一个地方没写正确就无法正确编译。
现在发现要想正确编译，保证源代码没问题的情况下，就需要指定正确的依赖包和格式。这个需要到maven的仓库上去搜索，确认无误后再添加到配置文件中。
要学会发散、拓展思考。当看到sbt编译失败的时候就应该根据报错信息推测出问题的原因：“依赖包版本不正确”，然后把版本指定正确就可以了。

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2017-01-07，如有侵权请联系 cloudcommunity@tencent.com 删除

maven