apache-spark - 在启动 Google DataProc 集群以与 Jupyter 笔记本一起使用时，如何包含其他 jars？

Question

我正在按照使用初始化脚本启动 Google DataProc 集群的说明来启动 jupyter 笔记本。

https://cloud.google.com/blog/big-data/2017/02/google-cloud-platform-for-data-scientists-using-jupyter-notebooks-with-apache-spark-on-google-cloud

如何在 Jupyter 笔记本(尤其是 pyspark)的结果 SparkContext 中包含额外的 JAR 文件(例如，spark-xml)？

Answer 1

答案略微取决于您要加载的 jar 。例如，您可以在创建集群时将 spark-xml 与以下内容结合使用:

$ gcloud dataproc clusters create [cluster-name] \
    --zone [zone] \
    --initialization-actions \
       gs://dataproc-initialization-actions/jupyter/jupyter.sh \ 
    --properties spark:spark.jars.packages=com.databricks:spark-xml_2.11:0.4.1

要指定多个 Maven 坐标，您需要将 gcloud 字典分隔符从 ',' 交换为其他字符(因为我们需要使用它来分隔要安装的包):

$ gcloud dataproc clusters create [cluster-name] \
    --zone [zone] \
    --initialization-actions \
       gs://dataproc-initialization-actions/jupyter/jupyter.sh \ 
    --properties=^#^spark:spark.jars.packages=artifact1,artifact2,artifact3

可以在 gcloud 中找到有关如何更改转义字符的详细信息:

$ gcloud help topic escaping