Comment utiliser les packages Spark dans AWS Glue?

Question

Je souhaite utiliser le connecteur spark-cassandra de Datastax dans AWS Glue. Si j'exécute pyspark localement, ma commande ressemblerait à

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

Comment exécuter ce script dans Glue?

---

Les choses que j'ai essayées

• Comment importer des packages Spark dans AWS Glue? Cela ressemble à ma question. La réponse acceptée parle de l'ajout d'un module python zippé en tant que paramètre. Mais ce spark-cassandra-connectorn'est pas un module python.

• (selon le commentaire de @ alex) mettre l'assemblage SCC dans le job Glue Jar lib path

  

Erreur:

    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)
......

• (selon le commentaire de @ alex) mis spark.jars.packages = com.datastax.spark:spark-cassandra-connector_2.12:2.5.1dans le job Gluejob parameter

Erreur:

  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

La méthode recommandée consiste à utiliser --packagesou --conf spark.jars.packagesavec les coordonnées Maven, afin que Spark extrait correctement toutes les dépendances nécessaires utilisées par Spark Cassandra Connector (pilote Java, etc.) - si vous utilisez --jarsuniquement avec le jar SCC, votre travail échouera.

À partir de SCC 2.5.1, il existe également un nouvel artefact - spark-cassandra-connector-assembly qui inclut toutes les dépendances nécessaires. Avec lui, vous pouvez éviter les problèmes de dépendances conflictuelles, et vous pouvez l'utiliser avec --jarsou avec le chemin Jar lib de la tâche Glue.

PS Avec Spark 3.0, il est recommandé d'utiliser SCC 3.0.0-beta, en raison de changements importants dans les composants internes de Spark SQL.