it-swarm.dev

Come aggiungere qualsiasi nuova libreria come spark-csv nella versione pre-installata di Apache Spark

Ho costruito il Spark-csv e in grado di usare lo stesso da pyspark Shell usando il seguente comando

bin/spark-Shell --packages com.databricks:spark-csv_2.10:1.0.3

errore di ottenere 

>>> df_cat.save("k.csv","com.databricks.spark.csv")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/abhishekchoudhary/bigdata/cdh5.2.0/spark-1.3.1/python/pyspark/sql/dataframe.py", line 209, in save
    self._jdf.save(source, jmode, joptions)
  File "/Users/abhishekchoudhary/bigdata/cdh5.2.0/spark-1.3.1/python/lib/py4j-0.8.2.1-src.Zip/py4j/Java_gateway.py", line 538, in __call__
  File "/Users/abhishekchoudhary/bigdata/cdh5.2.0/spark-1.3.1/python/lib/py4j-0.8.2.1-src.Zip/py4j/protocol.py", line 300, in get_return_value
py4j.protocol.Py4JJavaError

Dove dovrei posizionare il file jar nella mia configurazione pre-costruita, in modo da poter accedere direttamente a spark-csv dall'editor python.

25

All'epoca usavo spark-csv, dovevo anche scaricare commons-csv jar (non sono sicuro che sia ancora rilevante). Entrambi i vasi sono nella cartella di distribuzione delle scintille.

  1. Ho scaricato i vasi come segue:

    wget http://search.maven.org/remotecontent?filepath=org/Apache/commons/commons-csv/1.1/commons-csv-1.1.jar -O commons-csv-1.1.jar<br/>    
    wget http://search.maven.org/remotecontent?filepath=com/databricks/spark-csv_2.10/1.0.0/spark-csv_2.10-1.0.0.jar -O spark-csv_2.10-1.0.0.jar
    
  2. poi ha avviato il python spark Shell con gli argomenti:

    ./bin/pyspark --jars "spark-csv_2.10-1.0.0.jar,commons-csv-1.1.jar"
    
  3. e leggere una scintilla dataframe da un file csv:

    from pyspark.sql import SQLContext
    sqlContext = SQLContext(sc)
    df = sqlContext.load(source="com.databricks.spark.csv", path = "/path/to/you/file.csv")
    df.show()
    
25
Yannick Marcon

Un'altra opzione è aggiungere quanto segue al tuo spark-defaults.conf:

spark.jars.packages com.databricks:spark-csv_2.11:1.2.0
20
kentt

Invece di posizionare i vasi in una cartella specifica, una semplice soluzione sarebbe avviare la shell pyspark con i seguenti argomenti:

bin/pyspark --packages com.databricks:spark-csv_2.10:1.0.3

Questo caricherà automaticamente i barattoli spark-csv richiesti.

Quindi fai quanto segue per leggere il file csv:

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.read.format('com.databricks.spark.csv').options(header='true').load('file.csv')
df.show()
16
Jimmy

Supponendo che la sessione/contesto non sia stata ancora creata:

import os

os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.databricks:spark-csv_2.10:1.3.0 pyspark-Shell'
2
ksindi

Sotto comando mi ha aiutato -: con la versione di Scala 2.10

/opt/mapr/spark/spark-1.5.2/bin/spark-Shell --master local[*] --packages com.databricks:spark-csv_2.10:1.4.0

Ha sotto dipendenze -:

com.databricks#spark-csv_2.10;1.4.0!spark-csv_2.10.jar (2043ms)
org.Apache.commons#commons-csv;1.1!commons-csv.jar (419ms)
com.univocity#univocity-parsers;1.5.1!univocity-parsers.jar (1481ms)
0
user3815062

prima scopri il percorso della scintilla. per esempio per pyspark

    which pyspark

ti restituirà il percorso per esempio come questo- /home/ubuntu/bin/pyspark

quindi esegui questo comando cambiando il percorso seguendo il percorso della scintilla general-: path --packages com.databricks: spark-csv_2.10: 1.0.3

    /home/ubuntu/bin/pyspark --packages com.databricks:spark-csv_2.10:1.0.3
0
Shubham Sinha