Spark结构化流：书写不正确

我将抄表记录以 JSON 形式从 kafka_2.11-0.10.0.1 流式传输到 Spark 2.1 中。我改用结构化流媒体；尽管kafka消费者确认传入数据，但我控制台和writeStream不动。我正在测试使用

pyspark --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.1.0

My code:

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *
spark = SparkSession \
    .builder \
    .appName("interval") \
    .master("local[4]") \
    .getOrCreate()
schema = StructType().add("customer_id", StringType()) 
df = spark \
      .readStream \
      .format("kafka") \
      .option("kafka.bootstrap.servers", "xx.xxx.xx.xxx:9092") \
      .option("subscribe", "test") \
  .option("startingOffsets", "earliest") \
  .load() \
  .select(from_json(col("value").cast("string"), schema).alias("parsed_value"))

query = df.writeStream \
 .option("checkpointLocation", "/user/XX/checkpoint5") \
 .format("parquet") \
 .start("/user/XX/interval5") 

它使用 388 字节 parquet 文件创建检查点和数据目录。然而，没有写入任何流数据。

$ hdfs dfs -ls interval5
drwxr-xr-x   ... interval5/_spark_metadata
-rw-r--r--   ... interval5/part-00000-0b2eb00a-c361-4dfe-a24e-9589d150a911.snappy.parquet
-rw-r--r--   ... interval5/part-00000-e0cb12d1-9c29-4eb0-92a8-688f468a42ce.snappy.parquet

kafka-consumer 确认数据正在发送：

{"customer_id":"customer_736"}
{"customer_id":"customer_995"}
{"customer_id":"customer_1899"}
{"customer_id":"customer_35"}

kafka-consumer 显示流数据。

我认为我错过了出列和保存流式传输行的重要步骤 - 一天的 stackoverflow 搜索并没有帮助。 （编辑以删除对控制台的引用；因为它不相关）。

With .option("startingOffsets", "latest")您应该只期望在启动流查询后发布的消息。

因此，预期的操作过程是启动流式查询，然后发布消息。

Parquet 文件中未写入任何内容。

你会看见nothing自您使用以来保存到镶木地板文件中.format("console")。你必须将其更改为parquet并重新开始查询。