Come aggiungere qualsiasi nuova libreria come scintilla csv in Apache Spark precompilati versione

Question

ho costruire il Spark-csv e in grado di utilizzare la stessa da shell pyspark utilizzando il seguente comando

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

errore ricevendo

>>> 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 

Dove dovrei posizionare il file jar nella mia configurazione pre-costruita, in modo da poter accedere direttamente a spark-csv dall'editor python.

Answer 1

All'epoca in cui usavo spark-csv, dovevo anche scaricare jar commons-csv (non sono sicuro che sia ancora rilevante). Entrambi i vasi sono nella cartella di distribuzione delle scintille.

1. Ho scaricato i vasetti come segue:

   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. poi ha iniziato il guscio pitone scintilla con gli argomenti:

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

3. e leggere un dataframe scintilla da un file CSV:

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

Answer 2

Invece di mettere i vasi in qualsiasi cartella specifica una semplice correzione sarebbe quello di avviare la shell pyspark con i seguenti argomenti:

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

Questo caricherà automaticamente i vasetti scintilla-csv richiesti.

attenersi alla seguente procedura per leggere il file CSV:

from pyspark.sql import SQLContext 
sqlContext = SQLContext(sc) 
df = sqlContext.read.format('com.databricks.spark.csv').options(header='true').load('file.csv') 
df.show() 

Answer 3

Un'altra opzione è quella di aggiungere il seguente al vostro scintilla defaults.conf:

spark.jars.packages com.databricks:spark-csv_2.11:1.2.0 

Answer 4

Sotto comando mi ha aiutato -: Con Scala 2.10 versione

/opt/mapr/spark/spark-1.5.2/bin/spark-shell --master local[*] --packages com.databricks:spark-csv_2.10:1.4.0 

ha sotto le dipendenze -:

com.databricks#spark-csv_2.10;1.4.0!spark-csv_2.10.jar (2043ms) 
org.apache.commons#commons-csv;1.1!commons-csv.jar (419ms) 
com.univocity#univocity-parsers;1.5.1!univocity-parsers.jar (1481ms) 

Answer 5

Supponendo che la sessione/contesto non è stato ancora creato:

import os 

os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.databricks:spark-csv_2.10:1.3.0 pyspark-shell'