无法使用 Spark 2.4.3 写入 Redshift

Posted

技术标签:

【中文标题】无法使用 Spark 2.4.3 写入 Redshift【英文标题】:Unable to write to Redshift using Spark 2.4.3 【发布时间】:2019-06-18 19:55:27 【问题描述】:

我在本地模式下运行 Spark 2.4.3 并且能够下载文件但是我无法将它们写回 Redshift。我需要知道这样做的正确依赖关系。

我发现历史上存在 avro 依赖项的问题,但是我无法确定 spark 2.4.3 的正确依赖项。我尝试了各种组合,但没有一个允许我写回 redshift。

spark = SparkSession.builder.master("local").appName("Test")\
    .config("spark.jars", 'RedshiftJDBC4-1.2.1.1001.jar,jets3t-0.9.0.jar,spark-avro_2.11-4.0.0.jar,hadoop-aws-2.7.4.jar')\
    .config("spark.jars.packages", 'com.databricks:spark-redshift_2.10:0.5.0,com.amazonaws:aws-java-sdk:1.10.34,org.apache.hadoop:hadoop-aws:2.7.4')\
    .config("driver.memory", '5g')\
    .getOrCreate()

...

fact_table.write \
    .format("com.databricks.spark.redshift") \
    .option("url", jdbcUrl) \
    .option("dbtable", "my_table") \
    .option("tempdir", tempDir) \
    .option('forward_spark_s3_credentials',True) \
    .mode("error") \
    .save()

我收到以下错误:

: java.lang.AbstractMethodError: com.databricks.spark.redshift.DefaultSource.createRelation(Lorg/apache/spark/sql/SQLContext;Lorg/apache/spark/sql/SaveMode;Lscala/collection/immutable/Map;Lorg/apache/spark/sql/Dataset;)Lorg/apache/spark/sql/sources/BaseRelation;
    at org.apache.spark.sql.execution.datasources.SaveIntoDataSourceCommand.run(SaveIntoDataSourceCommand.scala:45)
    at org.apache.spark.sql.execution.command.ExecutedCommandExec.sideEffectResult$lzycompute(commands.scala:70)
    at org.apache.spark.sql.execution.command.ExecutedCommandExec.sideEffectResult(commands.scala:68)
    at org.apache.spark.sql.execution.command.ExecutedCommandExec.doExecute(commands.scala:86)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$execute$1.apply(SparkPlan.scala:131)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$execute$1.apply(SparkPlan.scala:127)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$executeQuery$1.apply(SparkPlan.scala:155)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
    at org.apache.spark.sql.execution.SparkPlan.executeQuery(SparkPlan.scala:152)
    at org.apache.spark.sql.execution.SparkPlan.execute(SparkPlan.scala:127)
    at org.apache.spark.sql.execution.QueryExecution.toRdd$lzycompute(QueryExecution.scala:80)
    at org.apache.spark.sql.execution.QueryExecution.toRdd(QueryExecution.scala:80)
    at org.apache.spark.sql.DataFrameWriter$$anonfun$runCommand$1.apply(DataFrameWriter.scala:676)
    at org.apache.spark.sql.DataFrameWriter$$anonfun$runCommand$1.apply(DataFrameWriter.scala:676)
    at org.apache.spark.sql.execution.SQLExecution$$anonfun$withNewExecutionId$1.apply(SQLExecution.scala:78)
    at org.apache.spark.sql.execution.SQLExecution$.withSQLConfPropagated(SQLExecution.scala:125)
    at org.apache.spark.sql.execution.SQLExecution$.withNewExecutionId(SQLExecution.scala:73)
    at org.apache.spark.sql.DataFrameWriter.runCommand(DataFrameWriter.scala:676)
    at org.apache.spark.sql.DataFrameWriter.saveToV1Source(DataFrameWriter.scala:285)
    at org.apache.spark.sql.DataFrameWriter.save(DataFrameWriter.scala:271)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:282)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:238)
    at java.lang.Thread.run(Thread.java:748)

【问题讨论】:

开源spark-redshift 已在多年前停止使用。支持最新 Spark 版本的当前版本是专有的,仅通过 Databricks 平台提供。 【参考方案1】:

如 cmets 中所述,开源 databricks/spark-redshift 不再维护。

但是..

我们最近将该项目分叉并升级到 spark 2.4 - 我们本着社区协作的精神将其命名为 spark_redshift_community。请随时试用并报告您可能发现的任何问题。

【讨论】:

以上是关于无法使用 Spark 2.4.3 写入 Redshift的主要内容,如果未能解决你的问题,请参考以下文章

无法从使用 mongo spark 连接器读取的 spark DF 中显示/写入。

无法使用 spark(sqlContext) 在 aws redshift 中写入 csv 数据

无法使用Spark Structured Streaming在Parquet文件中写入数据

我无法使用 jdbc 将 Spark DataFrame 写入数据库

Spark SQL - 无法将所有记录写入配置单元表

Spark:数据无法放入内存,我想避免将其写入磁盘,我可以对数据切片执行迭代以仅使用内存吗?