使用 pyspark 从 s3 读取/加载 avro 文件

Question

使用 AWS 胶水开发者端点 Spark Version - 2.4 Python Version- 3

代码： df=spark.read.format("avro").load("s3://dataexport/users/prod-users.avro")

尝试读取 avro 文件时收到以下错误消息： Failed to find data source: avro. Avro is built-in but external data source module since Spark 2.4. Please deploy the application as per the deployment section of "Apache Avro Data Source Guide".;

找到以下链接，但对解决我的问题没有帮助

https://spark.apache.org/docs/latest/sql-data-sources-avro.html[ApacheAvro 数据源指南][1]

Apache Avro as a Built-in Data Source in Apache Spark 2.4

Answer 1

你只需要导入那个包

 org.apache.spark:spark-avro_2.11:4.0.0

查看你需要的版本here

Answer 2

您是否在启动 shell 时导入了包？如果没有，您需要启动一个shell，如下所示。以下包适用于 spark 2.4+ 版本。

pyspark  --packages com.databricks:spark-avro_2.11:4.0.0

在read.format里面也写如下：

df=spark.read.format("com.databricks.spark.avro").load("s3://dataexport/users/prod-users.avro")

注意：对于 pyspark，您需要编写 'com.databricks.spark.avro' 而不是 'avro'。