Spark 2.1.0：读取压缩的 csv 文件

Posted 2023-04-17

【中文标题】Spark 2.1.0：读取压缩的 csv 文件

【英文标题】：Spark 2.1.0 : Reading compressed csv file

【发布时间】：2017-04-23 00:02:39

【问题描述】：

我正在尝试将压缩的 csv 文件 (.bz2) 作为 DataFrame 读取。我的代码如下

// read the data
    Dataset<Row> rData = spark.read().option("header", true).csv(input);

当我在 IDE 中尝试时，这有效。我可以读取数据并处理它，但是当我尝试使用 maven 构建它并在命令行上运行它时，我收到以下错误

    Exception in thread "main" java.lang.ClassNotFoundException: Failed to find data source: csv. Please find packages at http://spark.apache.org/third-party-projects.html
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:569)
    at org.apache.spark.sql.execution.datasources.DataSource.providingClass$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:325)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:152)
    at org.apache.spark.sql.DataFrameReader.csv(DataFrameReader.scala:415)
    at org.apache.spark.sql.DataFrameReader.csv(DataFrameReader.scala:352)
    at com.cs6240.Driver.main(Driver.java:28)
Caused by: java.lang.ClassNotFoundException: csv.DefaultSource
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:331)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$25$$anonfun$apply$13.apply(DataSource.scala:554)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$25$$anonfun$apply$13.apply(DataSource.scala:554)
    at scala.util.Try$.apply(Try.scala:192)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$25.apply(DataSource.scala:554)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$25.apply(DataSource.scala:554)
    at scala.util.Try.orElse(Try.scala:84)
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:554)
    ... 7 more

我不确定我是否在这里遗漏了什么。读取 csv 文件是否有一些依赖性？根据文档，Spark 2.x.x 内置了对此的支持。

【参考方案1】：

我按照这个答案中的步骤解决了这个问题。 https://***.com/a/39465892/2705924

基本上组装插件有一些问题，当我使用阴影插件并使用它时

<transformer implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"/>