Amazon web services 如何在AWS胶水中使用火花包？

我想在AWS胶水中使用Datastax。如果我在本地运行pyspark，我的命令将如下

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

如何在Glue中运行此脚本

---

我尝试过的事情

• 这看起来和我的问题很相似。公认的答案是关于添加一个压缩的python模块作为参数。但是spark cassandra连接器不是python模块

• （根据@alex的评论）将SCC程序集放在粘合作业的

  Jar lib路径中

错误：

    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)
......

  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)
......

---

推荐的方法是使用带有Maven坐标的

--packages

或

--conf spark.jars.packages

，这样spark将正确地提取spark Cassandra连接器（Java驱动程序等）使用的所有必要依赖项-如果您仅使用SCC jar的

--jars

，则您的作业将失败

从SCC2.5.1开始，还有一个新的工件-包括所有必要的依赖项。有了它，您可以避免冲突依赖项的问题，另外还可以将它与

--jars

或Glue job的Jar lib路径一起使用

---

另外，对于Spark 3.0，建议使用SCC 3.0.0-beta，因为Spark SQL的内部结构发生了重大变化。

您尝试过的东西有什么问题？@AlexOtt I在我的帖子中添加了错误日志。似乎spark connector库没有正确加载。您可以尝试一下我描述的关于软件包和SCC 3.0的内容吗感谢这三个建议。在第一个方面：使用

--conf spark.jars.packages

，这正是我所尝试的。我做得不对吗？第二个：使用组件。我试过了，但没什么不同。第三：使用SCC-3.0.0。目前，胶水最多只能支持Spark 2.4。我更新了我的帖子，为我的尝试添加了更多细节。感谢你的想法！好啊不幸的是，我没有想法-我不太熟悉胶水-我的建议主要来自SCC的典型问题。。。如果我明天有时间，我就试试胶水。我知道SCC和EMR一起工作没有太多问题，我也不熟悉胶水。我想可能是一些愚蠢的AWS设置我做得不对。谢谢你！原来原因是AWS Glue只支持scala 2.11，但我使用的SCC支持scala 2.12