【问题标题】:Pyspark connection to the Microsoft SQL server?Pyspark 连接到 Microsoft SQL 服务器?
【发布时间】:2019-11-14 00:25:10
【问题描述】:

我在 SQL server 中有一个庞大的数据集,我想用 python 连接 SQL server,然后使用 pyspark 运行查询。

我已经看过 JDBC 驱动程序,但我没有找到方法,我使用 PYODBC 但没有使用 spark。

任何帮助将不胜感激。

【问题讨论】:

    标签: sql-server jdbc pyspark odbc pyodbc


    【解决方案1】:

    请使用以下方式连接 Microsoft SQL:

    def connect_to_sql(
        spark, jdbc_hostname, jdbc_port, database, data_table, username, password
    ):
        jdbc_url = "jdbc:sqlserver://{0}:{1}/{2}".format(jdbc_hostname, jdbc_port, database)
    
        connection_details = {
            "user": username,
            "password": password,
            "driver": "com.microsoft.sqlserver.jdbc.SQLServerDriver",
        }
    
        df = spark.read.jdbc(url=jdbc_url, table=data_table, properties=connection_details)
        return df
    

    spark 是一个SparkSession 对象,其余的都很清楚。

    您也可以将下推查询传递给read.jdbc

    【讨论】:

    • 感谢您的回答,我想我已经接近解决它了,但是我遇到了 spark session 的问题。
    • 感谢您的回答,我的 sparksession 出现错误,我所拥有的是:spark = SparkSession.builder\ .config('spark.jars', r'D:\Usuarios\ aospinam\Downloads\Microsoft JDBC Driver 7.4 for SQL Server\sqljdbc_7.4\enu\mssql-jdbc-7.4.1.jre8')\.appName("app2")\.master("local").getOrCreate()
    • @AndresOspina 你不需要添加罐子。您可以摆脱该配置
    • 我如何知道我的 SparkSession 是否建立良好?
    • @AndresOspina SparkSession getOrCreate 不是一个惰性求值函数。因此,当您创建它时,您应该立即得到错误。让我知道错误是什么。
    【解决方案2】:

    我使用了 pissall 的函数(connect_to_sql),但我稍微修改了一下。

    from pyspark.sql import SparkSession
    
    def connect_to_sql(
        spark, jdbc_hostname, jdbc_port, database, data_table, username, password
    ):
        jdbc_url = "jdbc:mysql://{0}:{1}/{2}".format(jdbc_hostname, jdbc_port, database)
    
        connection_details = {
            "user": username,
            "password": password,
            "driver": "com.mysql.jdbc.Driver",
        }
    
        df = spark.read.jdbc(url=jdbc_url, table=data_table, properties=connection_details)
        return df
    
    if __name__=='__main__':
        spark = SparkSession \
            .builder \
            .appName('test') \
            .master('local[*]') \
            .enableHiveSupport() \
            .config("spark.driver.extraClassPath", <path to mysql-connector-java-5.1.49-bin.jar>) \
            .getOrCreate()
    
        df = connect_to_sql(spark, 'localhost', <port>, <database_name>, <table_name>, <user>, <password>)
    

    或者你可以使用 SparkSession .read 方法

    df = spark.read.format("jdbc").option("url","jdbc:mysql://localhost/<database_name>").option("driver","com.mysql.jdbc.Driver").option("dbtable",<table_name>).option("user",<user>).option("password",<password>).load()
    

    【讨论】:

      【解决方案3】:
      import findspark
      findspark.init("C:\ProgramData\Anaconda3\Lib\site-packages\pyspark")
      import pyspark
      import random
      import os.path
      from pyspark.sql.functions import *
      import os
      sc=pyspark.SparkContext(master="local[1]",appName="app1")
      from pyspark.sql import SQLContext
      sqlContext=SQLContext(sc)
      spark = sqlContext.sparkSession.builder.appName("Spark reading jdbc").getOrCreate()
      jdbcHostname = "srcmdepbd0\BI"
      jdbcDatabase = "dbGestionFlota"
      jdbcPort = 1433
      
      jdbcUrl = "jdbc:sqlserver://{0}:{1};database={2}".format(jdbcHostname, jdbcPort, jdbcDatabase)
      connectionProperties = {
        "integratedSecurity" : True,
        "driver" : "com.microsoft.sqlserver.jdbc.SQLServerDriver"
      }
      pushdown_query="SELECT TOP (1000) [iIDEstado],[iIDTipoEstado],[sEstado] ,[rOrden] ,[bAbierto],[sCampoAux1],[sCampoAux2]FROM [dbGestionFlota].[dbo].[tblSGSEstado]"
      df1 = spark.read.jdbc(url=jdbcUrl, table=pushdown_query, properties=connectionProperties)
      display(df1)
      

      这是我的错误

      Py4JError                                 Traceback (most recent call last)
      <ipython-input-15-a1c9096af940> in <module>
            1 pushdown_query="SELECT TOP (1000) [iIDEstado],[iIDTipoEstado],[sEstado] ,[rOrden] ,[bAbierto],[sCampoAux1],[sCampoAux2]FROM [dbGestionFlota].[dbo].[tblSGSEstado]"
      ----> 2 df1 = spark.read.jdbc(url=jdbcUrl, table=pushdown_query, properties=connectionProperties)
            3 display(df1)
      
      c:\programdata\anaconda3\lib\site-packages\pyspark\sql\readwriter.py in jdbc(self, url, table, column, lowerBound, upperBound, numPartitions, predicates, properties)
          546         jprop = JavaClass("java.util.Properties", self._spark._sc._gateway._gateway_client)()
          547         for k in properties:
      --> 548             jprop.setProperty(k, properties[k])
          549         if column is not None:
          550             assert lowerBound is not None, "lowerBound can not be None when ``column`` is specified"
      
      C:\ProgramData\Anaconda3\Lib\site-packages\pyspark\python\lib\py4j-0.10.7-src.zip\py4j\java_gateway.py in __call__(self, *args)
         1255         answer = self.gateway_client.send_command(command)
         1256         return_value = get_return_value(
      -> 1257             answer, self.gateway_client, self.target_id, self.name)
         1258 
         1259         for temp_arg in temp_args:
      
      c:\programdata\anaconda3\lib\site-packages\pyspark\sql\utils.py in deco(*a, **kw)
           61     def deco(*a, **kw):
           62         try:
      ---> 63             return f(*a, **kw)
           64         except py4j.protocol.Py4JJavaError as e:
           65             s = e.java_exception.toString()
      
      C:\ProgramData\Anaconda3\Lib\site-packages\pyspark\python\lib\py4j-0.10.7-src.zip\py4j\protocol.py in get_return_value(answer, gateway_client, target_id, name)
          330                 raise Py4JError(
          331                     "An error occurred while calling {0}{1}{2}. Trace:\n{3}\n".
      --> 332                     format(target_id, ".", name, value))
          333         else:
          334             raise Py4JError(
      
      Py4JError: An error occurred while calling o29.setProperty. Trace:
      py4j.Py4JException: Method setProperty([class java.lang.String, class java.lang.Boolean]) does not exist
          at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:318)
          at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:326)
          at py4j.Gateway.invoke(Gateway.java:274)
          at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
          at py4j.commands.CallCommand.execute(CallCommand.java:79)
          at py4j.GatewayConnection.run(GatewayConnection.java:238)
          at java.lang.Thread.run(Unknown Source)
      

      有什么帮助吗?

      【讨论】:

      • 这不是答案。如果您有更多详细信息要添加,请编辑您的原始问题。
      猜你喜欢
      • 2016-02-16
      • 2011-06-11
      • 1970-01-01
      • 2017-09-28
      • 1970-01-01
      • 1970-01-01
      • 1970-01-01
      • 1970-01-01
      相关资源
      最近更新 更多