使用 pyspark 连接 PostgreSQL

Question

我正在尝试使用 pyspark 连接到数据库，并且正在使用以下代码：

sqlctx = SQLContext(sc)
df = sqlctx.load(
    url = "jdbc:postgresql://[hostname]/[database]",
    dbtable = "(SELECT * FROM talent LIMIT 1000) as blah",
    password = "MichaelJordan",
    user =  "ScottyPippen",
    source = "jdbc",
    driver = "org.postgresql.Driver"
)

我收到以下错误：

知道为什么会这样吗？

编辑：我正在尝试在我的计算机上本地运行代码。

Answer 1

从https://jdbc.postgresql.org/download.html下载PostgreSQL JDBC驱动

然后用你的替换数据库配置值。

from pyspark.sql import SparkSession

spark = SparkSession \
    .builder \
    .appName("Python Spark SQL basic example") \
    .config("spark.jars", "/path_to_postgresDriver/postgresql-42.2.5.jar") \
    .getOrCreate()

df = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:postgresql://localhost:5432/databasename") \
    .option("dbtable", "tablename") \
    .option("user", "username") \
    .option("password", "password") \
    .option("driver", "org.postgresql.Driver") \
    .load()

df.printSchema()

更多信息：https://spark.apache.org/docs/latest/sql-data-sources-jdbc.html

Answer 2

以下内容对我在本地主机上的 postgres 有效：

从https://jdbc.postgresql.org/download.html 下载 PostgreSQL JDBC 驱动程序。

对于pyspark shell，您使用SPARK_CLASSPATH 环境变量：

$ export SPARK_CLASSPATH=/path/to/downloaded/jar
$ pyspark

要通过spark-submit 提交脚本，请使用--driver-class-path 标志：

$ spark-submit --driver-class-path /path/to/downloaded/jar script.py

在 python 脚本中，将表加载为DataFrame，如下所示：

from pyspark.sql import DataFrameReader

url = 'postgresql://localhost:5432/dbname'
properties = {'user': 'username', 'password': 'password'}
df = DataFrameReader(sqlContext).jdbc(
    url='jdbc:%s' % url, table='tablename', properties=properties
)

或者：

df = sqlContext.read.format('jdbc').\
    options(url='jdbc:%s' % url, dbtable='tablename').\
    load()

注意，通过spark-submit提交脚本时，需要定义sqlContext。

Answer 3

在所有节点中都需要复制 postgresql-42.1.4.jar...就我而言，我确实在路径 /opt/spark-2.2.0-bin-hadoop2.7/jars 中复制了

另外，我在 ~/.bashrc (export SPARK_CLASSPATH="/opt/spark-2.2.0-bin-hadoop2.7/jars" ) 中设置类路径

在 pyspark 控制台和 jupyter 中工作正常

Answer 4

你通常需要：

1. 在您的集群上安装 Postgres 驱动程序，
2. 使用 --jars 选项从您的客户端提供 Postgres 驱动程序 jar
3. 或使用 --packages 选项提供 Postgres 驱动程序的 maven 坐标。

如果您详细说明如何启动 pyspark，我们可能会为您提供更多详细信息。

一些线索/想法：

spark-cannot-find-the-postgres-jdbc-driver

Not able to connect to postgres using jdbc in pyspark shell

Answer 5

基于quick start guide 示例的一种方法是this blog post，它显示了如何将--packages org.postgresql:postgresql:9.4.1211 参数添加到spark-submit 命令。

这会将驱动程序下载到~/.ivy2/jars 目录，在我的情况下为/Users/derekhill/.ivy2/jars/org.postgresql_postgresql-9.4.1211.jar。将此作为--driver-class-path 选项传递给完整的 spark-submit 命令：

/usr/local/Cellar/apache-spark/2.0.2/bin/spark-submit\
 --packages org.postgresql:postgresql:9.4.1211\
 --driver-class-path /Users/derekhill/.ivy2/jars/org.postgresql_postgresql-9.4.1211.jar\
 --master local[4] main.py

在main.py:

from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

dataframe = spark.read.format('jdbc').options(
        url = "jdbc:postgresql://localhost/my_db?user=derekhill&password=''",
        database='my_db',
        dbtable='my_table'
    ).load()

dataframe.show()

Answer 6

我无法使用计算机上的 jar 连接到 postgresDB。 这段代码解决了我的驱动问题

 from pyspark.sql import SparkSession
 import os

 sparkClassPath = os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages org.postgresql:postgresql:42.1.1 pyspark-shell'

 spark = SparkSession \
    .builder \
    .config("spark.driver.extraClassPath", sparkClassPath) \
    .getOrCreate()

 df = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:postgresql://localhost:5432/yourDBname") \
    .option("driver", "org.postgresql.Driver") \
    .option("dbtable", "yourtablename") \
    .option("user", "postgres") \
    .option("password", "***") \
    .load()

df.show()

Answer 7

要使用 pyspark 和 jupyter notebook notebook：首先用

打开 pyspark

pyspark --driver-class-path /spark_drivers/postgresql-42.2.12.jar  --jars /spark_drivers/postgresql-42.2.12.jar

然后在jupyter笔记本中

import os
jardrv = "~/spark_drivers/postgresql-42.2.12.jar"


from pyspark.sql import SparkSession
spark = SparkSession.builder.config('spark.driver.extraClassPath', jardrv).getOrCreate()
url = 'jdbc:postgresql://127.0.0.1/dbname'
properties = {'user': 'usr', 'password': 'pswd'}
df = spark.read.jdbc(url=url, table='tablename', properties=properties)

Answer 8

此异常意味着 jdbc 驱动程序不在驱动程序类路径中。 您可以使用 --jar 参数 spark-submit jdbc jars，也可以使用 spark.driver.extraClassPath 将其添加到驱动程序类路径中。

Answer 9

我也收到此错误

java.sql.SQLException: No suitable driver
 at java.sql.DriverManager.getDriver(Unknown Source)

并在SparkSession 中添加一项.config('spark.driver.extraClassPath', './postgresql-42.2.18.jar') - 有效。

例如：

from pyspark import SparkContext, SparkConf
import os
from pyspark.sql.session import SparkSession

spark = SparkSession \
    .builder \
    .appName('Python Spark Postgresql') \
    .config("spark.jars", "./postgresql-42.2.18.jar") \
    .config('spark.driver.extraClassPath', './postgresql-42.2.18.jar') \
    .getOrCreate()


df = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:postgresql://localhost:5432/abc") \
    .option("dbtable", 'tablename') \
    .option("user", "postgres") \
    .option("password", "1") \
    .load()

df.printSchema()

Answer 10

只需用--jars <path/to/your/jdbc.jar>初始化pyspark

例如：pyspark --jars /path/Downloads/postgresql-42.2.16.jar

然后按照上面其他答案中的建议创建一个数据框

例如：

df2 = spark.read.format("jdbc").option("url", "jdbc:postgresql://localhost:5432/db").option("dbtable", "yourTableHere").option("user", "postgres").option("password", "postgres").option("driver", "org.postgresql.Driver").load()

Answer 11

1. 从here下载postgresql jar：
2. 将此添加到 ~Spark/jars/ 文件夹。
3. 重新启动内核。 它应该可以工作。