Como usar pacotes Spark no AWS Glue?

Question

Eu gostaria de usar o conector spark-cassandra da Datastax no AWS Glue. Se eu executar o pyspark localmente, meu comando pareceria

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

Como executar esse script no Glue?

---

Coisas que eu tentei

• Como importar pacotes Spark no AWS Glue? É semelhante à minha pergunta. A resposta aceita fala sobre adicionar um módulo python compactado como parâmetro. Mas o spark-cassandra-connectornão é um módulo python.

• (de acordo com o comentário de @ alex) coloque a montagem SCC no trabalho de cola Jar lib path

  

Erro:

    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)
......

• (de acordo com o comentário de @ alex) colocado spark.jars.packages = com.datastax.spark:spark-cassandra-connector_2.12:2.5.1no Glue job'sjob parameter

Erro:

  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

A maneira recomendada é usar --packagesou --conf spark.jars.packagescom coordenadas Maven, para que o Spark extraia corretamente todas as dependências necessárias que são usadas pelo Spark Cassandra Connector (driver Java, etc.) - se você usar --jarsapenas com SCC jar, seu trabalho falhará.

A partir do SCC 2.5.1, há também um novo artefato - spark-cassandra-connector-assembly que inclui todas as dependências necessárias. Com ele, você pode evitar problemas com dependências conflitantes, além de poder usá-lo com --jarsou com o caminho Jar lib do Glue job.

PS Com o Spark 3.0, é recomendado usar o SCC 3.0.0-beta, por causa das mudanças significativas na parte interna do Spark SQL.