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（最近一次调用最后一次）：文件“”，第7行，在文件“/usr/lib/spark/python/pyspark/sql/readwriter.py”，第165行，在加载返回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，在调用文件“/ usr / lib / spark / python中/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“，第319行，在get_return_value中*** py4j.protocol.Py4JJavaError：调用o63.load时发生错误 . ：java.lang.ClassNotFoundException：无法找到数据源：com.databricks.spark.redshift . 请在orsp.apache的* org.apache.spark.sql.execution.datasources.DataSource $ .lookupDataSource（DataSource.scala：546）的http://spark.apache.org/third-party-projects.html上找到软件包 . 位于org.apache.spark的org.apache.spark.sql.execution.datasources.DataSource.providingClass（DataSource.scala：87）的.spark.sql.execution.datasources.DataSource.providingClass $ lzycompute（DataSource.scala：87） .sql.execution.datasources.DataSource.resolveRelation（DataSource.scala：302）org.apache.spark.sql.DataFrameReader.load（DataFrameReader.scala：178）at org.apache.spark.sql.DataFrameReader.load（DataFrameReader） .scala：146）at sun.reflect.NativeMethodAccessorImpl.invoke（NativeMethodAccessorImpl.java:62）的sun.reflect.NativeMethodAccessorImpl.invoke0（Native Method），位于java的sun.reflect.DelegatingMethodAccessorImpl.invoke（DelegatingMethodAccessorImpl.java:43） . lang.reflect.Method.invoke（Method.java:498）py4j.reflection.MethodInvoker.invoke（MethodInvoker.java:244）at py4j.reflection.ReflectionEngine.invoke（ ReflectionEngine.java:357）py4j.Gateway.invoke（Gateway.java:280）py4j.commands.AbstractCommand.invokeMethod（AbstractCommand.java:132）py4j.commands.CallCommand.execute（CallCommand.java:79）at java.lang.Thread.run中的py4j.GatewayConnection.run（GatewayConnection.java:214）（Thread.java:748）由java.net中的java.lang.ClassNotFoundException：com.databricks.spark.redshift.DefaultSource引起 . 位于org.apache.spark.sql.execution的java.lang.ClassLoader.loadClass（ClassLoader.java:357）的java.lang.ClassLoader.loadClass（ClassLoader.java:424）中的URLClassLoader.findClass（URLClassLoader.java:381） .datasources.DataSource $$ anonfun $ 22 $$ anonfun $ apply $ 14.apply（DataSource.scala：530）at org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22 $$ anonfun $ apply $ 14.apply（ DataSource.scala：530）在scala.util.Try $ .apply（Try.scala：192）org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22.apply（DataSource.scala：530）at at org.apache.spark.sql.execution.datasources.DataSource $$ anonfun $ 22.ap ply（DataSource.scala：530）位于org.apache.spark.sql.execution.datasources.DataSource $ .lookupDataSource（DataSource.scala：530）的scala.util.Try.orElse（Try.scala：84）...还有16个

有人可以帮忙告诉我哪里错过了什么/犯了一个愚蠢的错误？

谢谢！

3 回答

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

回复于 2024-05-16T20:57:22+08:00

0
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：
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：
```
--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 .
回复于 2024-05-16T20:57:22+08:00

问题是火花在执行它的瞬间找不到必要的包 . 要在执行脚本.sh时执行此操作，启动python文件的执行，您不仅要添加驱动程序，还要添加必要的包 .

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

现在必须解决这个问题 .

回复于 2024-05-16T20:57:22+08:00

将PySpark连接到AWS Redshift时出错

3 回答

脚本test.sh

脚本test.py

运行脚本test.sh

相关问题