将 PySpark 连接到 AWS Redshift 时出错

Question

一直在尝试将我的 EMR 5.11.0 集群上的 Spark 2.2.1 连接到我们的 Redshift 存储。

我遵循的方法是 -

1. 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 -

Traceback（最近一次调用最后一次）：文件“”，第 7 行，in 文件“/usr/lib/spark/python/pyspark/sql/readwriter.py”， 第 165 行，加载中 返回 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 call 文件中 “/usr/lib/spark/python/pyspark/sql/utils.py”，第 63 行，在 deco 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 ***py4j.protocol.Py4JJavaError: 一个错误 调用 o63.load 时发生。 ：java.lang.ClassNotFoundException： 找不到数据源：com.databricks.spark.redshift。请找到 包裹http://spark.apache.org/third-party-projects.html@* 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) 在 sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) 在 sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62) 在 sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) 在 java.lang.reflect.Method.invoke(Method.java:498) 在 py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244) 在 py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357) 在 py4j.Gateway.invoke(Gateway.java:280) 在 py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132) 在 py4j.commands.CallCommand.execute(CallCommand.java:79) 在 py4j.GatewayConnection.run(GatewayConnection.java:214) 在 java.lang.Thread.run(Thread.java:748) 原因： java.lang.ClassNotFoundException： com.databricks.spark.redshift.DefaultSource 在 java.net.URLClassLoader.findClass(URLClassLoader.java:381) 在 java.lang.ClassLoader.loadClass(ClassLoader.java:424) 在 java.lang.ClassLoader.loadClass(ClassLoader.java:357) 在 org.apache.spark.sql.execution.datasources.DataSource$$anonfun$22$$anonfun$apply$14.apply(DataSource.scala:530) 在 org.apache.spark.sql.execution.datasources.DataSource$$anonfun$22$$anonfun$apply$14.apply(DataSource.scala:530) 在 scala.util.Try$.apply(Try.scala:192) 在 org.apache.spark.sql.execution.datasources.DataSource$$anonfun$22.apply(DataSource.scala:530) 在 org.apache.spark.sql.execution.datasources.DataSource$$anonfun$22.apply(DataSource.scala:530) 在 scala.util.Try.orElse(Try.scala:84) 在 org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:530) ... 16 更多

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 数据源添加到您的 pyspark 命令中：

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 文件并将它们存储在 S3 存储桶中，并在 spark-submit 选项中指向它，例如：

--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

然后最后像这个例子一样查询你的红移：在你的 spark 代码中spark-redshift-example。

Answer 3

问题是 spark 没有找到必要的包来执行它。要在执行启动 python 文件执行的脚本 .sh 时执行此操作，您不仅必须添加驱动程序，还必须添加必要的包。

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

这个问题现在必须解决。