我正在尝试通过以下方式在 pyspark 笔记本上的 AWS EMR 5.29 中使用外部驱动程序:
#%%configure -f
{ "conf": {"spark.jars":"s3://bucket/spark-redshift_2.10-2.0.1.jar,"
"s3://bucket/minimal-json-0.9.5.jar,"
"s3://bucket/spark-avro_2.11-3.0.0.jar,"
"s3://bucket/RedshiftJDBC4-no-awssdk-1.2.41.1065.jar"}}
根据https://blog.benthem.io/2020/04/21/connect-aws-emr-to-spark.html
然而,当尝试
from pyspark.sql import SQLContext
sc = spark # existing SparkContext
sql_context = SQLContext(sc)
df = sql_context.read.format("com.databricks.spark.redshift")\
.option("url", jdbcUrl)\
.option("query","select * from test")\
.option("tempdir", "s3://")\
.load()
我得到:java.lang.ClassNotFoundException:找不到数据源:com.databricks.spark.redshift。
我该如何解决这个问题?我可以确认 emr 角色可以访问存储桶,因为我可以使用 spark 处理同一个存储桶上的 CSV 文件。我还可以确认所有列出的 jar 文件都在存储桶中。
实际上解决这个问题的方法是通过 SSH 进入主节点,然后查看 ivy 日志:
/mnt/var/log/livy/livy-livy-server.out
和下载的jar文件在
/var/lib/livy/.ivy2/jars/
根据我发现的内容,我将代码更改为:
%%configure -f
{
"conf": {
"spark.jars" : "s3://bucket/RedshiftJDBC4-no-awssdk-1.2.41.1065.jar",
"spark.jars.packages": "com.databricks:spark-redshift_2.10:2.0.0,org.apache.spark:spark-avro_2.11:2.4.0,com.eclipsesource.minimal-json:minimal-json:0.9.4"
}
}
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