如何使用 spark-avro 包从 spark-shell 读取 avro 文件？

Posted 2023-03-31

【中文标题】如何使用 spark-avro 包从 spark-shell 读取 avro 文件？

【英文标题】：How to use spark-avro package to read avro file from spark-shell?

【发布时间】：2019-04-26 18:16:03

【问题描述】：

我正在尝试使用spark-avro 包，如Apache Avro Data Source Guide 中所述。

当我提交以下命令时：

val df = spark.read.format("avro").load("~/foo.avro")

我收到一个错误：

java.util.ServiceConfigurationError: org.apache.spark.sql.sources.DataSourceRegister: Provider org.apache.spark.sql.avro.AvroFileFormat could not be instantiated
  at java.util.ServiceLoader.fail(ServiceLoader.java:232)
  at java.util.ServiceLoader.access$100(ServiceLoader.java:185)
  at java.util.ServiceLoader$LazyIterator.nextService(ServiceLoader.java:384)
  at java.util.ServiceLoader$LazyIterator.next(ServiceLoader.java:404)
  at java.util.ServiceLoader$1.next(ServiceLoader.java:480)
  at scala.collection.convert.Wrappers$JIteratorWrapper.next(Wrappers.scala:43)
  at scala.collection.Iterator$class.foreach(Iterator.scala:891)
  at scala.collection.AbstractIterator.foreach(Iterator.scala:1334)
  at scala.collection.IterableLike$class.foreach(IterableLike.scala:72)
  at scala.collection.AbstractIterable.foreach(Iterable.scala:54)
  at scala.collection.TraversableLike$class.filterImpl(TraversableLike.scala:247)
  at scala.collection.TraversableLike$class.filter(TraversableLike.scala:259)
  at scala.collection.AbstractTraversable.filter(Traversable.scala:104)
  at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:630)
  at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:194)
  at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:178)
  ... 49 elided
Caused by: java.lang.NoSuchMethodError: org.apache.spark.sql.execution.datasources.FileFormat.$init$(Lorg/apache/spark/sql/execution/datasources/FileFormat;)V
  at org.apache.spark.sql.avro.AvroFileFormat.<init>(AvroFileFormat.scala:44)
  at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)
  at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:62)
  at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)
  at java.lang.reflect.Constructor.newInstance(Constructor.java:423)
  at java.lang.Class.newInstance(Class.java:442)
  at java.util.ServiceLoader$LazyIterator.nextService(ServiceLoader.java:380)
  ... 62 more

我尝试了不同版本的 org.apache.spark:spark-avro_2.12:2.4.0 包（2.4.0、2.4.1 和 2.4.2），我目前使用的是 Spark 2.4.1，但都没有成功。

我使用以下命令启动我的 spark-shell：

spark-shell --packages org.apache.spark:spark-avro_2.12:2.4.0

【参考方案1】：

tl;dr Since Spark 2.4.x+ provides built-in support for reading and writing Apache Avro data，但 the spark-avro module is external and not included in spark-submit or spark-shell by default，您应该确保为 spark-shell 和 --packages 使用相同的 Scala 版本（例如 2.12）。

---

异常的原因是您使用了基于 Scala 2.11.12 构建的 Spark 的 spark-shell，而 --packages 指定了与 Scala 2.12 的依赖关系（在 org.apache.spark:spark-avro_2.12:2.4.0 中）。

使用--packages org.apache.spark:spark-avro_2.11:2.4.0 应该没问题。

【参考方案2】：

如果有人对 pyspark 2.7 和 spark 2.4.3 感兴趣

下面的包工作

bin/pyspark --packages org.apache.spark:spark-avro_2.11:2.4.3

【参考方案3】：

当我遇到同样的问题时，我注意到的另一件事是它第一次运行良好，然后显示错误。因此，通过将 rm 命令添加到 docker 文件来清除缓存。这对我来说就足够了。