python - 在 Spark 本地模式下包含包

Question

我正在用 python 为我的 Spark 代码编写一些单元测试。我的代码依赖于 spark-csv .在生产中我使用 spark-submit --packages com.databricks:spark-csv_2.10:1.0.3提交我的python脚本。

我正在使用 pytest在 local 中使用 Spark 运行我的测试模式:

conf = SparkConf().setAppName('myapp').setMaster('local[1]')
sc = SparkContext(conf=conf)

我的问题是，因为 pytest没有使用 spark-submit要运行我的代码，我如何提供我的 spark-csv对python进程的依赖？

Answer 1

您可以使用配置文件 spark.driver.extraClassPath 来解决问题。
Spark-default.conf

并添加属性

 spark.driver.extraClassPath /Volumes/work/bigdata/CHD5.4/spark-1.4.0-bin-hadoop2.6/lib/spark-csv_2.11-1.1.0.jar:/Volumes/work/bigdata/CHD5.4/spark-1.4.0-bin-hadoop2.6/lib/commons-csv-1.1.jar

设置上述内容后，从 shell 运行时甚至不需要包标志。

sqlContext = SQLContext(sc)
    df = sqlContext.read.format('com.databricks.spark.csv').options(header='false').load(BASE_DATA_PATH + '/ssi.csv')

两个 jar 都很重要，因为 spark-csv 依赖于 commons-csv Apache jar 。 spark-csv您可以从 mvn-site 构建或下载 jar。