如何在 Apache Spark 预构建版本中添加任何新库，如 spark-csv

Question

我已经构建了 Spark-csv 并且能够使用以下命令从 pyspark shell 使用它

bin/spark-shell --packages com.databricks:spark-csv_2.10:1.0.3

获取

时出错

>>> df_cat.save("k.csv","com.databricks.spark.csv")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/abhishekchoudhary/bigdata/cdh5.2.0/spark-1.3.1/python/pyspark/sql/dataframe.py", line 209, in save
    self._jdf.save(source, jmode, joptions)
  File "/Users/abhishekchoudhary/bigdata/cdh5.2.0/spark-1.3.1/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py", line 538, in __call__
  File "/Users/abhishekchoudhary/bigdata/cdh5.2.0/spark-1.3.1/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py", line 300, in get_return_value
py4j.protocol.Py4JJavaError

我应该将 jar 文件放在我的 spark 预构建设置中的什么位置，以便我也可以直接从 python 编辑器访问 spark-csv。

Answer 1

当时我用的是spark-csv，还得下载commons-csv jar（不确定是否还有用）。两个 jar 都在 spark 分发文件夹中。

我下载的 jar 如下：

wget http://search.maven.org/remotecontent?filepath=org/apache/commons/commons-csv/1.1/commons-csv-1.1.jar -O commons-csv-1.1.jar<br/>    
wget http://search.maven.org/remotecontent?filepath=com/databricks/spark-csv_2.10/1.0.0/spark-csv_2.10-1.0.0.jar -O spark-csv_2.10-1.0.0.jar

然后使用以下参数启动 python spark shell：

./bin/pyspark --jars "spark-csv_2.10-1.0.0.jar,commons-csv-1.1.jar"

并从 csv 文件中读取 spark 数据帧：

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.load(source="com.databricks.spark.csv", path = "/path/to/you/file.csv")
df.show()

Answer 2

不是将 jars 放在任何特定文件夹中，一个简单的修复方法是使用以下参数启动 pyspark shell：

bin/pyspark --packages com.databricks:spark-csv_2.10:1.0.3

这将自动加载所需的 spark-csv jar。

然后执行以下操作来读取 csv 文件：

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.read.format('com.databricks.spark.csv').options(header='true').load('file.csv')
df.show()

Answer 3

另一种选择是将以下内容添加到您的 spark-defaults.conf:

spark.jars.packages com.databricks:spark-csv_2.11:1.2.0

Answer 4

下面的命令帮助了我 -: 使用 Scala 2.10 版本

/opt/mapr/spark/spark-1.5.2/bin/spark-shell --master local[*] --packages com.databricks:spark-csv_2.10:1.4.0

具有以下依赖关系 -:

com.databricks#spark-csv_2.10;1.4.0!spark-csv_2.10.jar (2043ms)
org.apache.commons#commons-csv;1.1!commons-csv.jar (419ms)
com.univocity#univocity-parsers;1.5.1!univocity-parsers.jar (1481ms)

Answer 5

假设 session/context 尚未创建：

import os

os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.databricks:spark-csv_2.10:1.3.0 pyspark-shell'

Answer 6

首先找出火花的路径。例如 pyspark

    which pyspark

它会 return 你的路径例如这样 - /home/ubuntu/bin/pyspark

然后运行通过根据您的 spark 路径更改路径来执行此命令 general-: path --packages com.databricks:spark-csv_2.10:1.0.3

    /home/ubuntu/bin/pyspark --packages com.databricks:spark-csv_2.10:1.0.3

如何在 Apache Spark 预构建版本中添加任何新库，如 spark-csv

How to add any new library like spark-csv in Apache Spark prebuilt version

python

apache-spark

apache-spark-sql