尝试使用 pyspark 访问 greenplum 表时出错

Posted 2023-03-31

【中文标题】尝试使用 pyspark 访问 greenplum 表时出错

【英文标题】：Errors when trying to access greenplum table using pyspark

【发布时间】：2018-07-16 19:28:16

【问题描述】：

我正在尝试登录服务器并拉回数据以在 python 中本地构建模型。我正在使用 pyspark 库 - 但我不断收到同样的错误。这是我正在运行的代码，没有错误，所以我知道我已经正确安装了 .jar 文件：

import pyspark
print(pyspark.__file__)
from pyspark.sql import DataFrameReader
from pyspark.sql import SQLContext
from pyspark import SparkContext

sc = SparkContext(appName="PythonStreamingQueueStream") 
sqlContext = SQLContext(sc)
sqlContext.read.format('io.pivotal.greenplum.spark.GreenplumRelationProvider')

sc.stop()

它提供此作为指示正确安装 jar 的输出：

<pyspark.sql.readwriter.DataFrameReader at 0x10819cd10>

我可以在 scala 中毫无错误地运行它，它会拉回我请求的表：

val gscReadOptionMap = Map(
  "url" -> "jdbc:postgresql://12.3.45.678:9101/code",
  "user" -> "my_name",
  "password" -> "password",
  "dbschema" -> "schema",
  "dbtable" -> "table",
  "partitionColumn" -> "max"
)
val gpdf = spark.read.format("greenplum").options(gscReadOptionMap).load()

它提供以下输出：

gpdf: org.apache.spark.sql.DataFrame = [output_code: string, input_code: string ... 11 more fields]

但是当我尝试将数据库登录放入 python 时，我不断收到相同的错误：

import pyspark
print(pyspark.__file__)
from pyspark.sql import DataFrameReader
from pyspark.sql import SQLContext
from pyspark import SparkContext

sc = SparkContext(appName="PythonStreamingQueueStream") 
sqlContext = SQLContext(sc)
sqlContext.read.format('io.pivotal.greenplum.spark.GreenplumRelationProvider')

source_df = sqlContext.read.format('io.pivotal.greenplum.spark.GreenplumRelationProvider').options(
          url='jdbc:postgresql://12.3.45.678:9101/code',
          dbschema='schema',
          dbtable = 'table',
          user='my_name',
          password='password',
          driver='org.postgresql.Driver',
          partitionColumn='max').load()

sc.stop()

这是错误，在通常的 python 方式中，错误是超长的：

Traceback (most recent call last):
  File "<stdin>", line 7, in <module>
  File "/usr/local/Cellar/apache-spark/2.2.0/libexec/python/pyspark/sql/readwriter.py", line 165, in load
    return self._df(self._jreader.load())
  File "/usr/local/Cellar/apache-spark/2.2.0/libexec/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
  File "/usr/local/Cellar/apache-spark/2.2.0/libexec/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/usr/local/Cellar/apache-spark/2.2.0/libexec/python/lib/py4j-0.10.4-src.zip/py4j/protocol.py", line 319, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o111.load.
: java.lang.ClassNotFoundException: Failed to find data source: io.pivotal.greenplum.spark.GreenplumRelationProvider. Please find packages at http://spark.apache.org/third-party-projects.html
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:549)
    at org.apache.spark.sql.execution.datasources.DataSource.providingClass$lzycompute(DataSource.scala:86)
    at org.apache.spark.sql.execution.datasources.DataSource.providingClass(DataSource.scala:86)
    at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:301)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:178)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:146)
    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:280)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:214)
    at java.lang.Thread.run(Thread.java:748)
Caused by: java.lang.ClassNotFoundException: io.pivotal.greenplum.spark.GreenplumRelationProvider.DefaultSource
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$21$$anonfun$apply$12.apply(DataSource.scala:533)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$21$$anonfun$apply$12.apply(DataSource.scala:533)
    at scala.util.Try$.apply(Try.scala:192)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$21.apply(DataSource.scala:533)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$21.apply(DataSource.scala:533)
    at scala.util.Try.orElse(Try.scala:84)
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:533)
    ... 16 more

我有 'greenplum-spark_2.11-1.4.0.jar' 和 'postgresql-42.2.4.jre7.jar' 被引入...我不确定我做错了什么？

编辑： 我以 python 2 方式运行罐子，它与错误无关。

import os 
os.getcwd() 
os.environ['PYSPARK_SUBMIT_ARGS'] = '--master local[*] pyspark-shell --jars /Users/greenplum-spark_2.11-1.4.0.jar, /Users/postgresql-42.2.4.jre7.jar' 

我也跑过：

%%bash 
export GSC_JAR=/Users/greenplum-spark_2.11-1.4.0.jar export POSTGRES_JAR=/Users/postgresql-42.2.4.jre7.jar 
spark-shell --jars $GSC_JAR, $POSTGRES_JAR 

【参考方案1】：

您的 pyspark 似乎没有加载 greenplum-spark_2.11-1.4.0.jar

建议： 检查您的 pyspark 命令是否将参数“--jars”与 greenplum-sparkXXXX.jar 的路径一起传递。下面的示例使用“GSC_JAR”环境变量，该变量指向目录“/code”的greenplum-spark_2.11-*.jar 文件路径。所以请对 GSC_JAR 环境变量进行适当的更改。

root@master:/usr/spark-2.1.0#GSC_JAR=$(ls /code/greenplum-spark_2.11-*.jar)
root@master:/usr/spark-2.1.0#pyspark --jars "$GSC_JAR"

谢谢， 孔 将 Pyspark 与 Greenplum 一起使用的示例： https://greenplum-spark-connector.readthedocs.io/en/latest/using-pyspark.html

【讨论】：

我以 python 2 方式运行 jars，它与错误无关： import os os.getcwd() os.environ['PYSPARK_SUBMIT_ARGS'] = '--master local[*] pyspark-shell --jars /Users/sarahewing/Documents/OnBoarding/python/greenplum-spark_2.11-1.4.0.jar，/Users/sarahewing/Documents/OnBoarding/python/postgresql-42.2.4.jre7.jar'我也运行过：%%bash export GSC_JAR=/Users/sarahewing/Documents/OnBoarding/python/greenplum-spark_2.11-1.4.0.jar export POSTGRES_JAR=/Users/sarahewing/Documents/OnBoarding/python/postgresql- 42.2.4.jre7.jar spark-shell --jars $GSC_JAR, $POSTGRES_JAR

【参考方案2】：

也许这会有所帮助。我使用 pyspark 从 greenplum-spark 连接器文档中尝试了现有的 scala 示例。这与您的示例略有不同（我没有使用 SQLContext），但在某一时刻，以下内容对我有用：

user@spark-client$ pyspark --jars

gscPythonOptions = "url": "jdbc:postgresql://gpmaster.domain/tutorial", “用户”：“用户 2”， “密码”：“关键”， "dbschema": "faa", “dbtable”：“otp_c”， "partitionColumn": "airlineid"

gpdf = spark.read.format("greenplum").options(**gscPythonOptions).load()

之后这些命令对我有用：

gpdf.printSchema()

gpdf.count()

【参考方案3】：

请验证 greenplum-spark 连接器 jar 是否由 pyspark 加载

行动： 使用 sc.getConf().getAll() 函数来验证 spark.repl.local.jars 是否引用了适当的 jar。

>>> sc.getConf().getAll()
[('spark.app.id', 'app-20180718183929-0000'), ('spark.jars',         
'file:///code/usecase1/data/greenplum-spark_2.11-1.4.0.jar'),     
('spark.master', 'spark://master:7077'), ('spark.rdd.compress', 
'True'), ('spark.driver.host', 'master'), 
('spark.serializer.objectStreamReset', '100'), 
('spark.repl.local.jars', 'file:///code/usecase1/data/greenplum- 
spark_2.11-1.4.0.jar'), ('spark.driver.port', '38611'), 
('spark.executor.id', 'driver'), ('spark.submit.deployMode', 
'client'), ('spark.app.name', 'PySparkShell'), 
('spark.ui.showConsoleProgress', 'true')]

【参考方案4】：

感谢大家的帮助和建议。 pyspark 连接器/加载器在终端之外的任何接口中都不起作用。即 Jupyter Notebook。