脚本test.sh

Question

一直在尝试将我的EMR 5.11.0群集上的Spark 2.2.1连接到我们的Redshift商店。

我遵循的方法是 -

使用内置的Redshift JDBC

pyspark --jars /usr/share/aws/redshift/jdbc/RedshiftJDBC41.jar

from pyspark.sql import SQLContext
sc
sql_context = SQLContext(sc)

redshift_url = "jdbc:redshift://HOST:PORT/DATABASE?user=USER&password=PASSWORD"

redshift_query  = "select * from table;"

redshift_query_tempdir_storage = "s3://personal_warehouse/wip_dumps/"        

# Read data from a query
df_users = sql_context.read \
    .format("com.databricks.spark.redshift") \
    .option("url", redshift_url) \
    .option("query", redshift_query) \
    .option("tempdir", redshift_query_tempdir_storage) \
    .option("forward_spark_s3_credentials", "true") \
    .load()

这给了我以下错误 -

回溯（最近一次呼叫最后一次）：文件“”，第7行，in 文件“/usr/lib/spark/python/pyspark/sql/readwriter.py”，第165行，载入中 return self._df（self._jreader.load（））文件“/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py”，第1133行，在调用文件中 “/usr/lib/spark/python/pyspark/sql/utils.py”，第63行，装饰返回f（* a， kw）文件“/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/protocol.py”，行 319，在get_return_value中*** py4j.protocol.Py4JJavaError：错误调用o63.load时发生。：java.lang.ClassNotFoundException：无法找到数据源：com.databricks.spark.redshift。请找到 http://spark.apache.org/third-party-projects.html * * 的套餐 org.apache.spark.sql.execution.datasources.DataSource $ .lookupDataSource（DataSource.scala：546）在 org.apache.spark.sql.execution.datasources.DataSource.providingClass $ lzycompute（DataSource.scala：87）在 org.apache.spark.sql.execution.datasources.DataSource.providingClass（DataSource.scala：87）在 org.apache.spark.sql.execution.datasources.DataSource.resolveRelation（DataSource.scala：302）在 org.apache.spark.sql.DataFrameReader.load（DataFrameReader.scala：178）在 org.apache.spark.sql.DataFrameReader.load（DataFrameReader.scala：146） at sun.reflect.NativeMethodAccessorImpl.invoke0（Native Method）at sun.reflect.NativeMethodAccessorImpl.invoke（NativeMethodAccessorImpl.java:62）在 sun.reflect.DelegatingMethodAccessorImpl.invoke（DelegatingMethodAccessorImpl.java:43）在java.lang.reflect.Method.invoke（Method.java:498）at py4j.reflection.MethodInvoker.invoke（MethodInvoker.java:244）at at py4j.reflection.ReflectionEngine.invoke（ReflectionEngine.java：357）at py4j.Gateway.invoke（Gateway.java:280）at py4j.commands.AbstractCommand.invokeMethod（AbstractCommand.java:132）在py4j.commands.CallCommand.execute（CallCommand.java:79）at py4j.GatewayConnection.run（GatewayConnection.java:214）at java.lang.Thread.run（Thread.java:748）引起：抛出java.lang.ClassNotFoundException： com.databricks.spark.redshift.DefaultSource at java.net.URLClassLoader.findClass（URLClassLoader.java:381）at java.lang.ClassLoader.loadClass（ClassLoader.java:424）at java.lang.ClassLoader.loadClass（ClassLoader.java:357）at org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22 $$ anonfun $ $申请14.apply（DataSource.scala：530）在 org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22 $$ anonfun $ $申请14.apply（DataSource.scala：530）在scala.util.Try $ .apply（Try.scala：192）at org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22.apply（DataSource.scala：530）在 org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22.apply（DataSource.scala：530）在scala.util.Try.orElse（Try.scala：84）at org.apache.spark.sql.execution.datasources.DataSource $ .lookupDataSource（DataSource.scala：530） ......还有16个

有人可以帮忙告诉我在哪里错过了什么/犯了一个愚蠢的错误吗？

谢谢！

Answer 1

您需要将Spark Redshift数据源添加到pyspark命令：

pyspark --jars /usr/share/aws/redshift/jdbc/RedshiftJDBC41.jar \
        --packages com.databricks:spark-redshift_2.11:2.0.1

Answer 2

我必须在EMR spark-submit选项中包含4个jar文件才能使其正常工作。

jar文件列表：

1。RedshiftJDBC41-1.2.12.1017.jar

2. spark-redshift_2.10-2.0.0.jar

3。minimal-json-0.9.4.jar

4. spark-avro_2.11-3.0.0.jar

您可以下载jar文件并将其存储在S3存储桶中，并在spark-submit选项中指向它：

--jars s3://<pathToJarFile>/RedshiftJDBC41-1.2.10.1009.jar,s3://<pathToJarFile>/minimal-json-0.9.4.jar,s3://<pathToJarFile>/spark-avro_2.11-3.0.0.jar,s3://<pathToJarFile>/spark-redshift_2.10-2.0.0.jar

然后最终像你的火花代码一样查询你的redshift：spark-redshift-example。

Answer 3

问题在于spark无法在执行时立即找到必要的包。为此，在执行启动Python文件执行的.sh脚本时，您不仅需要添加驱动程序，还必须添加必要的软件包。

脚本test.sh

sudo pip install boto3

spark-submit --jars RedshiftJDBC42-1.2.15.1025.jar --packages com.databricks:spark-redshift_2.11:2.0.1 test.py

脚本test.py

from pyspark.sql import SQLContext
sc
sql_context = SQLContext(sc)

redshift_url = "jdbc:redshift://HOST:PORT/DATABASE?user=USER&password=PASSWORD"

redshift_query  = "select * from table;"

redshift_query_tempdir_storage = "s3://personal_warehouse/wip_dumps/" 



 # Read data from a query



df_users = sql_context.read \
    .format("com.databricks.spark.redshift") \
    .option("url", redshift_url) \
    .option("query", redshift_query) \
    .option("tempdir", redshift_query_tempdir_storage) \
    .option("forward_spark_s3_credentials", "true") \
    .load()

运行脚本test.sh

sudo sh test.sh

必须立即解决问题。

将PySpark连接到AWS Redshift时出错

3 个答案:

脚本test.sh

脚本test.py

运行脚本test.sh