BigQuery connector ClassNotFoundException in PySpark on Data

Question

我正在尝试使用Dataproc在PySpark中运行脚本。

该脚本是此示例与我需要执行的操作之间的合并，因为我想检查是否一切正常。显然，事实并非如此。

我得到的错误是：

文件 "/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py"，第 328 行，get_return_value py4j.protocol.Py4JJavaError：调用 z：org.apache.spark.api.python.PythonRDD.newAPIHadoopRDD 时出错。 ： java.lang.ClassNotFoundException： com.google.cloud.hadoop.io.bigquery.JsonTextBigQueryInputFormat

我

确保我拥有所有的罐子，并按照其他类似帖子中的建议添加了一些新罐子。我还检查了SPARK_HOME变量。

下面可以看到代码;尝试实例化table_data时出现错误。

"""BigQuery I/O PySpark example."""
from __future__ import absolute_import
import json
import pprint
import subprocess
import pyspark
from pyspark.sql import SQLContext
sc = pyspark.SparkContext()
bucket = sc._jsc.hadoopConfiguration().get('fs.gs.system.bucket')
project = sc._jsc.hadoopConfiguration().get('fs.gs.project.id')
input_directory = 'gs://{}/hadoop/tmp/bigquery/pyspark_input'.format(bucket)
conf = {
    'mapred.bq.project.id': project,
    'mapred.bq.gcs.bucket': bucket,
    'mapred.bq.temp.gcs.path': input_directory,
    'mapred.bq.input.project.id': 'publicdata',
    'mapred.bq.input.dataset.id': 'samples',
    'mapred.bq.input.table.id': 'shakespeare',
}
output_dataset = 'wordcount_dataset'
output_table = 'wordcount_output'
table_data = sc.newAPIHadoopRDD(
    'com.google.cloud.hadoop.io.bigquery.JsonTextBigQueryInputFormat',
    'org.apache.hadoop.io.LongWritable',
    'com.google.gson.JsonObject',
    conf=conf)

Answer 1

如示例中所述，提交作业时需要包含 BigQuery 连接器 jar。

通过 Dataproc 作业 API：

gcloud dataproc jobs submit pyspark --cluster=${CLUSTER} 
    /path/to/your/script.py 
    --jars=gs://hadoop-lib/bigquery/bigquery-connector-hadoop2-latest.jar

或从群集内部spark-submit：

spark-submit --jars=gs://hadoop-lib/bigquery/bigquery-connector-hadoop2-latest.jar 
    /path/to/your/script.py