如何通过Spark SQL与BigQuery连接

Question

我有一个简单的python代码，其中包括使用具有我的凭据的JSON文件与bigQuery连接。

data = pd.read_gbq(SampleQuery, project_id='XXXXXXXX', private_key='filename.json')

这里的文件名.json具有以下格式：

{
  "type": "service_account",
  "project_id": "projectId",
  "private_key_id": "privateKeyId",
  "private_key": "privateKey",
  "client_email": "clientEmail",
  "client_id": "clientId",
  "auth_uri": "https://accounts.google.com/o/oauth2/auth",
  "token_uri": "https://oauth2.googleapis.com/token",
  "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
  "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/clientEmail"
}

现在，我需要将此代码移植到 pyspark。但是我很难找到如何使用Spark SQL进行查询。我正在使用 AWS EMR 集群来运行此查询！

任何帮助将不胜感激！

Answer 1

由于使用 Spark SQL 需要 SQLContext 对象，因此需要先配置 SparkContext 才能连接到 BigQuery。在我看来，BigQuery 连接器(由 sramalingam24 和 Kenneth Jung 寻址(可用于查询 BigQuery 中的数据。

请注意，sramalingam24 提供了一个示例链接，以下是代码摘要：

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 = {
    # Input Parameters.
    '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',
}
table_data = sc.newAPIHadoopRDD(
    'com.google.cloud.hadoop.io.bigquery.JsonTextBigQueryInputFormat',
    'org.apache.hadoop.io.LongWritable',
    'com.google.gson.JsonObject',
    conf=conf)
word_counts = (
    table_data
    .map(lambda record: json.loads(record[1]))
    .map(lambda x: (x['word'].lower(), int(x['word_count'])))
    .reduceByKey(lambda x, y: x + y))
sql_context = SQLContext(sc)
(word_counts
 .toDF(['word', 'word_count'])
 .write.format('json').save(output_directory))

然后，您可以下载其他 Hadoop 集群的连接器 jar。Kenneth Jung提供了包含信息的链接，这些信息表明选项--jar可用于包含连接器(--jars gs://spark-lib/bigquery/spark-bigquery-latest.jar(，这是在驱动程序和执行器类路径中包含jar的选项。

Answer 2

你提交的 pyspark 参数之一应该是带有 spark-bigquery-latest.jar 包的 jars，这就是我将其添加到 google cloud 上的 dataproc 作业中的方式：

gcloud dataproc jobs submit pyspark --cluster ${CLUSTER_NAME} jars gs://spark-lib/bigquery/spark-bigquery-latest.jar --driver-log-levels root=FATAL script.py