如何在 AWS Glue 中使用 Spark 包？

Question

我想在 AWS Glue 中使用 Datastax 的 spark-cassandra-connector。如果我在本地运行 pyspark，我的命令看起来像

path/to/spark-3.0.1-bin-hadoop2.7/bin/spark-submit \
--conf spark.cassandra.connection.host=XXX \
--conf spark.cassandra.auth.username=XXX \
--conf spark.cassandra.auth.password=XXX \
--packages com.datastax.spark:spark-cassandra-connector_2.12:2.5.1 \
~/my_script.py

如何在 Glue 中运行此脚本？

---

我尝试过的事情

• How to import Spark packages in AWS Glue? 看起来和我的问题类似。接受的答案谈到添加一个压缩的 python 模块作为参数。但spark-cassandra-connector 不是 python 模块。

• （根据@alex 的评论）将 SCC 组件放入 Glue 作业的 Jar lib path

错误：

    File "/tmp/delta_on_s3_spark.py", line 75, in _write_df_to_cassandra
    df.write.format(format_).mode('append').options(table=table, keyspace=keyspace).save()
  File "/opt/amazon/spark/python/lib/pyspark.zip/pyspark/sql/readwriter.py", line 732, in save
    self._jwrite.save()
  File "/opt/amazon/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
    answer, self.gateway_client, self.target_id, self.name)
  File "/opt/amazon/spark/python/lib/pyspark.zip/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/opt/amazon/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
    format(target_id, ".", name), value)
py4j.protocol.Py4JJavaError: An error occurred while calling o84.save.
: java.lang.NoSuchMethodError: scala.Product.$init$(Lscala/Product;)V
    at com.datastax.spark.connector.TableRef.<init>(TableRef.scala:4)
    at org.apache.spark.sql.cassandra.DefaultSource$.TableRefAndOptions(DefaultSource.scala:142)
    at org.apache.spark.sql.cassandra.DefaultSource.createRelation(DefaultSource.scala:83)
......

• （根据@alex 的评论）将spark.jars.packages = com.datastax.spark:spark-cassandra-connector_2.12:2.5.1 放入胶水作业的job parameter

错误：

  File "/tmp/delta_on_s3_spark.py", line 75, in _write_df_to_cassandra
    df.write.format(format_).mode('append').options(table=table, keyspace=keyspace).save()
  File "/opt/amazon/spark/python/lib/pyspark.zip/pyspark/sql/readwriter.py", line 732, in save
    self._jwrite.save()
  File "/opt/amazon/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
    answer, self.gateway_client, self.target_id, self.name)
  File "/opt/amazon/spark/python/lib/pyspark.zip/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/opt/amazon/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
    format(target_id, ".", name), value)
py4j.protocol.Py4JJavaError: An error occurred while calling o83.save.
: java.lang.ClassNotFoundException: Failed to find data source: org.apache.spark.sql.cassandra. Please find packages at http://spark.apache.org/third-party-projects.html
    at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:657)
    at org.apache.spark.sql.DataFrameWriter.save(DataFrameWriter.scala:245)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
......

Answer 1

推荐的方法是使用 --packages 或 --conf spark.jars.packages 与 Maven 坐标，因此 Spark 将正确提取 Spark Cassandra 连接器（Java 驱动程序等）使用的所有必要依赖项 - 如果您将 --jars 与只有 SCC jar，那么您的工作将失败。

从 SCC 2.5.1 开始，还有一个新工件 - spark-cassandra-connector-assembly，其中包含所有必要的依赖项。有了它，您可以避免依赖冲突的问题，此外，您还可以将它与 --jars 或 Glue 作业的 Jar 库路径一起使用。

附：对于 Spark 3.0，建议使用 SCC 3.0.0-beta，因为 Spark SQL 的内部结构发生了重大变化。