从 Spark/pyspark 连接到 PostgreSQL

Posted 2023-03-25

【中文标题】从 Spark/pyspark 连接到 PostgreSQL

【英文标题】：Connecting from Spark/pyspark to PostgreSQL

【发布时间】：2015-06-19 14:22:36

【问题描述】：

我在一台 Windows 机器上安装了 Spark，并希望通过 Spyder 使用它。经过一些故障排除后，基础似乎工作：

import os

os.environ["SPARK_HOME"] = "D:\Analytics\Spark\spark-1.4.0-bin-hadoop2.6"

from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext

spark_config = SparkConf().setMaster("local[8]")
sc = SparkContext(conf=spark_config) 
sqlContext = SQLContext(sc)

textFile = sc.textFile("D:\\Analytics\\Spark\\spark-1.4.0-bin-hadoop2.6\\README.md")
textFile.count()
textFile.filter(lambda line: "Spark" in line).count()

sc.stop()

这按预期运行。我现在想连接到在同一台服务器上运行的 Postgres9.3 数据库。我已经从这里here 下载了 JDBC 驱动程序并将其放在文件夹 D:\Analytics\Spark\spark_jars 中。然后我创建了一个新文件 D:\Analytics\Spark\spark-1.4.0-bin-hadoop2.6\conf\spark-defaults.conf 包含这一行：

spark.driver.extraClassPath        'D:\\Analytics\\Spark\\spark_jars\\postgresql-9.3-1103.jdbc41.jar'

我已经运行了以下代码来测试连接

import os

os.environ["SPARK_HOME"] = "D:\Analytics\Spark\spark-1.4.0-bin-hadoop2.6"

from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext

spark_config = SparkConf().setMaster("local[8]")
sc = SparkContext(conf=spark_config) 
sqlContext = SQLContext(sc)

df = (sqlContext
    .load(source="jdbc",
          url="jdbc:postgresql://[hostname]/[database]?user=[username]&password=[password]",
          dbtable="pubs")
 )
sc.stop()

但出现以下错误：

Py4JJavaError: An error occurred while calling o22.load.
: java.sql.SQLException: No suitable driver found for     jdbc:postgresql://uklonana01/stonegate?user=analytics&password=pMOe8jyd
at java.sql.DriverManager.getConnection(Unknown Source)
at java.sql.DriverManager.getConnection(Unknown Source)
at org.apache.spark.sql.jdbc.JDBCRDD$.resolveTable(JDBCRDD.scala:118)
at org.apache.spark.sql.jdbc.JDBCRelation.<init>(JDBCRelation.scala:128)
at org.apache.spark.sql.jdbc.DefaultSource.createRelation(JDBCRelation.scala:113)
at org.apache.spark.sql.sources.ResolvedDataSource$.apply(ddl.scala:265)
at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:114)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(Unknown Source)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(Unknown Source)
at java.lang.reflect.Method.invoke(Unknown Source)
at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379)
at py4j.Gateway.invoke(Gateway.java:259)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:207)
at java.lang.Thread.run(Unknown Source)

如何检查我是否下载了正确的 .jar 文件或错误可能来自何处？

【问题讨论】：

我已经尝试过 postgresql-9.3-1103.jdbc41.jar 和很多其他 .jar 文件。我也尝试添加#s.environ["SPARK_CLASSPATH"]="D:\\Analytics\\Spark\\spark_jars\\*"，但这会产生错误Py4JJavaError: An error occurred while calling None.org.apache.spark.api.java.JavaSparkContext. : org.apache.spark.SparkException: Found both spark.driver.extraClassPath and SPARK_CLASSPATH. Use only the former.，这意味着上述版本应该可以工作。

【参考方案1】：

我尝试过 SPARK_CLASSPATH 环境变量，但它不适用于 Spark 1.6。

来自以下帖子的其他答案建议添加 pyspark 命令参数，它可以工作。

Not able to connect to postgres using jdbc in pyspark shell

Apache Spark : JDBC connection not working

pyspark --conf spark.executor.extraClassPath=<jdbc.jar> --driver-class-path <jdbc.jar> --jars <jdbc.jar> --master <master-URL>

【参考方案2】：

删除 spark-defaults.conf 并将 SPARK_CLASSPATH 添加到 python 中的系统环境，如下所示：

os.environ["SPARK_CLASSPATH"] = 'PATH\\TO\\postgresql-9.3-1101.jdbc41.jar'

【参考方案3】：

另一种将 pyspark 与您的 postrgresql 数据库连接的方法。

1) 使用 pip 安装 spark：pip install pyspark

2) 下载最新版本的 jdbc postgresql 连接器： https://jdbc.postgresql.org/download.html

3) 使用您的数据库凭据完成此代码：

from __future__ import print_function
from pyspark.sql import SparkSession


def jdbc_dataset_example(spark):
    df = spark.read \
        .jdbc("jdbc:postgresql://[your_db_host]:[your_db_port]/[your_db_name]",
              "com_dim_city",
              properties="user": "[your_user]", "password": "[your_password]")

    df.createOrReplaceTempView("[your_table]")

    sqlDF = spark.sql("SELECT * FROM [your_table] LIMIT 10")
    sqlDF.show()


if __name__ == "__main__":
    spark = SparkSession \
        .builder \
        .appName("Python Spark SQL data source example") \
        .getOrCreate()
    jdbc_dataset_example(spark)
    spark.stop()

最后运行你的应用程序：

spark-submit --driver-class-path /path/to/your_jdbc_jar/postgresql-42.2.6.jar --jars postgresql-42.2.6.jar /path/to/your_jdbc_jar/test_pyspark_to_postgresql.py