我正在使用 Spark 1.6.2,开发 Python Spark 客户端(它在yarn-client
模式下运行)。这里重要的是,始终在客户端机器中,我无法触发提交我的 Python 脚本,但我需要将脚本作为 Python 脚本运行。
在代码的某个点,我需要在 HDFS 中加载一个 CSV 文件作为 Spark 数据帧(即使用 SQL 上下文)。您可能知道,Spark 1.6.2 没有对基于 CSV 的数据帧的本机支持,必须使用Databricks spark-csv。
数据加载语句如下:
df = sql_context.read.load(format='com.databricks.spark.csv', path=url, header=True, inferSchema=False, delimiter=',')
问题com.databricks.spark.csv
是没有找到。
我知道必须下载 Databricks spark-csv jar 并将其放在某个地方。问题是:在哪里?这是客户端机器或集群中的要求吗?
由于我不知道,我在客户端机器上尝试过这个,但没有成功:
export PYTHONPATH=/path/where/jars/were/downloaded/
.conf = SparkConf().set('spark.jars', '/path/where/jars/were/downloaded/')
.conf = SparkConf().set('spark.driver.extraClassPath', '/path/where/jars/were/downloaded/')
. [参考]我也在 Spark 集群上尝试过这个,但也没有成功:
spark.jars
通过 Ambari设置自定义 spark-defaults 属性。spark.driver.extraClassPath
通过 Ambari设置自定义 spark-defaults 属性。我会记住你的命令行选项适合--jars
或--packages
不适合我,因为我没有运行任何 Spark 脚本:)
其他解决方案,例如在 Spark 上下文中设置 jar usingaddJar()
将不起作用,因为 Spark 1.6.2 没有实现它。
那么,关于我的代码如何找到 Databricks spark-csv jar 的任何想法?
以防万一,这是错误跟踪:
java.lang.ClassNotFoundException: Failed to find data source: com.databricks.spark.csv. Please find packages at http://spark-packages.org
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$.lookupDataSource(ResolvedDataSource.scala:77)
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$.apply(ResolvedDataSource.scala:102)
at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:119)
at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:109)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:381)
at py4j.Gateway.invoke(Gateway.java:259)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:209)
at java.lang.Thread.run(Thread.java:748)
Caused by: java.lang.ClassNotFoundException: com.databricks.spark.csv.DefaultSource
at java.net.URLClassLoader$1.run(URLClassLoader.java:359)
at java.net.URLClassLoader$1.run(URLClassLoader.java:348)
at java.security.AccessController.doPrivileged(Native Method)
at java.net.URLClassLoader.findClass(URLClassLoader.java:347)
at java.lang.ClassLoader.loadClass(ClassLoader.java:425)
at java.lang.ClassLoader.loadClass(ClassLoader.java:358)
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$$anonfun$4$$anonfun$apply$1.apply(ResolvedDataSource.scala:62)
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$$anonfun$4$$anonfun$apply$1.apply(ResolvedDataSource.scala:62)
at scala.util.Try$.apply(Try.scala:161)
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$$anonfun$4.apply(ResolvedDataSource.scala:62)
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$$anonfun$4.apply(ResolvedDataSource.scala:62)
at scala.util.Try.orElse(Try.scala:82)
at org.apache.spark.sql.execution.datasources.ResolvedDataSource$.lookupDataSource(ResolvedDataSource.scala:62)
... 14 more
我读过的其他帖子...
提前致谢。
最后,我在 Databricks Github 上发现了这个问题,@drorata 的回答对我有用:
export PACKAGES="com.databricks:spark-csv_2.11:1.3.0"
export PYSPARK_SUBMIT_ARGS="--packages ${PACKAGES} pyspark-shell"
通过导出上述环境变量,Databrick spark-csv 包(和依赖项)下载到我的本地.ivy2
文件夹,并在创建 Spark 上下文时自动上传到集群。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句