我正在尝试通过以下方式在pyspark笔记本上使用aws emr 5.29中的外部驱动程序:
# %%configure -f
{ "conf": {"spark.jars":"s3://bucket/spark-redshift_2.10-2.0.1.jar,"
"s3://bucket/minimal-json-0.9.5.jar,"
"s3://bucket/spark-avro_2.11-3.0.0.jar,"
"s3://bucket/RedshiftJDBC4-no-awssdk-1.2.41.1065.jar"}}
根据https://blog.benthem.io/2020/04/21/connect-aws-emr-to-spark.html
但是,在尝试
from pyspark.sql import SQLContext
sc = spark # existing SparkContext
sql_context = SQLContext(sc)
df = sql_context.read.format("com.databricks.spark.redshift")\
.option("url", jdbcUrl)\
.option("query","select * from test")\
.option("tempdir", "s3://")\
.load()
我得到:java.lang.classnotfoundexception:找不到数据源:com.databricks.spark.redshift。
如何排除故障?我可以确认emr角色有权访问bucket,因为我可以使用spark在同一个bucket上处理csv文件。我还可以确认所有列出的jar文件都在bucket中。
1条答案
按热度按时间yc0p9oo01#
实际上,解决这个问题的方法是通过ssh连接到主节点,然后查看ivy日志:
/mnt/var/log/livy/livy-livy-server.out
下载的jar文件
/var/lib/livy/.ivy2/jars文件/
根据我发现的情况,我将代码改为: