如何在 AWS Glue 中使用 Spark 包？

Posted 2023-04-15

【中文标题】如何在 AWS Glue 中使用 Spark 包？

【英文标题】：How to use Spark packages in AWS Glue?

【发布时间】：2020-09-16 01:59:40

【问题描述】：

我想在 AWS Glue 中使用 Datastax 的 spark-cassandra-connector。如果我在本地运行 pyspark，我的命令看起来像

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? 看起来和我的问题类似。接受的答案谈到添加一个压缩的 python 模块作为参数。但spark-cassandra-connector 不是 python 模块。

（根据@alex 的评论）将 SCC 组件放入 Glue 作业的 Jar lib path

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 放入胶水作业的job parameter

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 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)
......

【问题讨论】：

你尝试过的东西有什么问题？

@AlexOtt 我将错误日志添加到我的帖子中。似乎火花连接器库未正确加载。

你能试试我描述的关于包和 SCC 3.0 的事情

【参考方案1】：

推荐的方法是使用 --packages 或 --conf spark.jars.packages 与 Maven 坐标，因此 Spark 将正确提取 Spark Cassandra 连接器（Java 驱动程序等）使用的所有必要依赖项 - 如果您将 --jars 与只有 SCC jar，那么您的工作将失败。

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，您可以避免依赖冲突的问题，此外，您还可以将它与 --jars 或 Glue 作业的 Jar 库路径一起使用。

附：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。

【讨论】：

感谢您的三个建议。第一个：使用--conf spark.jars.packages，这正是我尝试过的。我做的不对吗？第二个：使用组件。我试过了，但没有任何区别。第三：使用SCC-3.0.0。 Glue 目前仅支持 Spark 2.4。我更新了我的帖子，为我的尝试添加了更多细节。感谢您的想法！

好的。不幸的是，我没有想法 - 我对 Glue 不太熟悉 - 我的建议主要来自 SCC 的典型问题……如果我明天有时间，我会尝试使用胶水。我知道 SCC 与 EMR 一起使用没有太多问题

我也不熟悉 Glue。而且我认为这可能是我做错了一些愚蠢的 AWS 设置。不过谢谢！

原来是AWS Glue只支持scala 2.11，而我用的SCC却有scala 2.12