Мне нужно запустить скрипт python на экземпляре EMR, используя pyspark для запроса DynamoDB.Я могу сделать это, запросив DynamodB на Pyspark, который выполняется путем включения JAR с помощью следующей команды .
`pyspark --jars /usr/share/aws/emr/ddb/lib/emr-ddb-hive.jar,/usr/share/aws/emr/ddb/lib/emr-ddb-hadoop.jar`
Я запустил следующий скрипт Python3 для запроса данных с помощью модуля Python Pyspark.
import time
from pyspark import SparkContext, SparkConf
from pyspark.sql import SparkSession, HiveContext
start_time = time.time()
SparkContext.setSystemProperty("hive.metastore.uris", "thrift://nn1:9083")
sparkSession = (SparkSession
.builder
.appName('example-pyspark-read-and-write-from-hive')
.enableHiveSupport()
.getOrCreate())
df_load = sparkSession.sql("SELECT * FROM example")
df_load.show()
print(time.time() - start_time)
Что вызвало следующее исключение во время выполнения для отсутствующих jar.
java.lang.ClassNotFoundException Class org.apache.hadoop.hive.dynamodb.DynamoDBSerDe not found
Как преобразовать pyspark --jars.. в питонический эквивалент.
На данный момент я пыталсякопирование jar-файлов из местоположения /usr/share/... в $SPARK_HOME/libs/jars и добавление этого пути к внешнему пути класса spark-defaults.conf, который не имел никакого эффекта.