如何在AWS Glue中使用Spark软件包？

如何解决如何在AWS Glue中使用Spark软件包？

我想在AWS Glue中使用Datastax的spark-cassandra-connector。如果我在本地运行pyspark，则命令如下所示：

path/to/spark-3.0.1-bin-hadoop2.7/bin/spark-submit \
--conf spark.cassandra.connection.host=XXX \
--conf spark.cassandra.auth.username=XXX \
--conf spark.cassandra.auth.password=XXX \
--packages com.datastax.spark:spark-cassandra-connector_2.12:2.5.1 \
~/my_script.py

如何在Glue中运行此脚本？

---

我尝试过的事情

• How to import Spark packages in AWS Glue?看起来与我的问题相似。可接受的答案是关于添加压缩​​的python模块作为参数的。但是spark-cassandra-connector不是python模块。

• （根据@alex的评论）将SCC程序集放入Glue作业的Jar lib path中

  

错误：

    File "/tmp/delta_on_s3_spark.py",line 75,in _write_df_to_cassandra
    df.write.format(format_).mode('append').options(table=table,keyspace=keyspace).save()
  File "/opt/amazon/spark/python/lib/pyspark.zip/pyspark/sql/readwriter.py",line 732,in save
    self._jwrite.save()
  File "/opt/amazon/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py",line 1257,in __call__
    answer,self.gateway_client,self.target_id,self.name)
  File "/opt/amazon/spark/python/lib/pyspark.zip/pyspark/sql/utils.py",line 63,in deco
    return f(*a,**kw)
  File "/opt/amazon/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py",line 328,in get_return_value
    format(target_id,".",name),value)
py4j.protocol.Py4JJavaError: An error occurred while calling o84.save.
: java.lang.NoSuchMethodError: scala.Product.$init$(Lscala/Product;)V
    at com.datastax.spark.connector.TableRef.<init>(TableRef.scala:4)
    at org.apache.spark.sql.cassandra.DefaultSource$.TableRefAndOptions(DefaultSource.scala:142)
    at org.apache.spark.sql.cassandra.DefaultSource.createRelation(DefaultSource.scala:83)
......

• （根据@alex的评论）将spark.jars.packages = com.datastax.spark:spark-cassandra-connector_2.12:2.5.1放入胶水工作的job parameter

错误：

  File "/tmp/delta_on_s3_spark.py",value)
py4j.protocol.Py4JJavaError: An error occurred while calling o83.save.
: java.lang.ClassNotFoundException: Failed to find data source: org.apache.spark.sql.cassandra. Please find packages at http://spark.apache.org/third-party-projects.html
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:657)
    at org.apache.spark.sql.DataFrameWriter.save(DataFrameWriter.scala:245)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
......

解决方法

推荐的方法是将--packages或--conf spark.jars.packages与Maven坐标一起使用，因此Spark将正确提取Spark Cassandra Connector（Java驱动程序等）使用的所有必要依赖项-如果使用--jars只有SCC jar，那么您的工作将会失败。

从SCC 2.5.1开始，还有一个新工件-spark-cassandra-connector-assembly，其中包含所有必要的依赖项。有了它，您可以避免依赖项冲突的问题，并且可以将其与--jars或Glue job的Jar lib路径一起使用。

P.S。对于Spark 3.0，建议使用SCC 3.0.0-beta，因为Spark SQL的内部结构发生了重大变化。