Pyspark - 配置 Amazon Redshift JDBC jar

Question

我正在尝试使用 spark-redshift databricks 包，但无法使 Redshift jdbc 驱动程序正常工作。我已经从here 下载了最新版本并保存到 s3 存储桶中。

这就是我启动spark-shell的方式

MASTER=yarn-client IPYTHON=1 PYSPARK_PYTHON=/usr/bin/python27 /usr/lib/spark/bin/pyspark 
--packages com.databricks:spark-avro_2.10:2.0.1,com.databricks:spark-redshift_2.10:1.1.0 
--jars 's3://pathto/RedshiftJDBC42-1.2.1.1001.jar'      

我正在尝试按照 databricks 自述文件从 Redshift 中读取数据

df = sql_context.read \
.format("com.databricks.spark.redshift") \
.option("url", "jdbc:redshift://redshifthost:5439/database?user=username&password=pass") \
.option("dbtable", "my_table") \
.option("tempdir", "s3n://path/for/temp/data") \
.load()

但我得到一个配置错误：

 Py4JJavaError: An error occurred while calling o46.load.
 : java.lang.ClassNotFoundException: Could not load an Amazon Redshift JDBC driver; see the README for instructions on downloading and configuring the official Amazon driver.

jar 文件似乎已被读取，因此不确定如何以不同方式指定它。

Answer 1

当我意识到我做错了什么时才更新这个。我在 s3 存储桶中引用了 jar 文件，但这需要在集群本地可用。

aws s3 cp s3://pathto/RedshiftJDBC42-1.2.1.1001.jar /tmp/