Come utilizzare i pacchetti Spark in AWS Glue?

Question

Vorrei utilizzare il connettore spark-cassandra di Datastax in AWS Glue. Se eseguo pyspark localmente, il mio comando sarebbe simile a

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

Come eseguire questo script in Glue?

---

Cose che ho provato

• Come importare pacchetti Spark in AWS Glue? Sembra simile alla mia domanda. La risposta accettata parla dell'aggiunta di un modulo Python zippato come parametro. Ma spark-cassandra-connectornon è un modulo Python.

• (secondo il commento di @ alex) metti l'assieme SCC nel lavoro di colla Jar lib path

  

Errore:

    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)
......

• (secondo il commento di @ alex) ha inserito spark.jars.packages = com.datastax.spark:spark-cassandra-connector_2.12:2.5.1il lavoro di Collajob parameter

Errore:

  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

Il modo consigliato è usare --packageso --conf spark.jars.packagescon le coordinate Maven, quindi Spark estrarrà correttamente tutte le dipendenze necessarie utilizzate da Spark Cassandra Connector (driver Java, ecc.) - Se usi --jarssolo il jar SCC, il tuo lavoro fallirà.

A partire da SCC 2.5.1, c'è anche un nuovo artefatto: spark-cassandra-connector-assembly che include tutte le dipendenze necessarie. Con esso puoi evitare problemi con dipendenze in conflitto, inoltre puoi usarlo con --jarso con il percorso della libreria Jar di Glue job.

PS Con Spark 3.0 si consiglia di utilizzare SCC 3.0.0-beta, a causa di cambiamenti significativi negli interni di Spark SQL.