python - 如何在 Apache Spark 预构建版本中添加任何新库，如 spark-csv

Question

我已经构建了 Spark-csv并且能够使用以下命令从 pyspark shell 中使用相同的命令

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

获取错误

>>> 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

我应该将 jar 文件放在我的 spark 预build设置中的哪个位置，以便我也可以直接从 python 编辑器访问 spark-csv。

Answer 1

在我使用 spark-csv 时，我还必须下载 commons-csv jar(不确定它是否仍然相关)。两个 jar 在 spark 分发文件夹中的位置。

1. 我下载的jar包如下:

   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. 然后使用参数启动 python spark shell:

   ./bin/pyspark --jars "spark-csv_2.10-1.0.0.jar,commons-csv-1.1.jar"
   

3. 并从 csv 文件中读取 spark 数据帧:

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