Spark 2.0.0：在集群模式下从 Cassandra 读取

Question

我在运行从 Spark 2.0.0 中的 Cassandra 读取数据的 Spark 应用程序时遇到了一些麻烦。

我的代码工作如下：

DataFrameReader readerCassandra = SparkContextUtil.getInstance().read() 
                    .format("org.apache.spark.sql.cassandra")
                    .option("spark.cassandra.connection.host", [DATABASE_IP])
                    .option("spark.cassandra.connection.port", [DATABASE_PORT]);

final Map<String,String> map = new HashMap<String,String>();

map.put("table", "MyTable");
map.put("keyspace", "MyKeyspace");

public final  StructType schema = DataTypes.createStructType(
        new StructField[] { DataTypes.createStructField("id", DataTypes.StringType, true),
            DataTypes.createStructField("timestamp", DataTypes.TimestampType, true),
            DataTypes.createStructField("value", DataTypes.DoubleType, true)
        });

final Dataset<Row> dataset = readerCassandra.schema(schema).options(map).load(); 
dataset.show(false);

我想在集群中运行此代码。 我的集群使用 spark-2.0.2-bin-hadoop2.7（ http://spark.apache.org/downloads.html 上没有可用的 spark-2.0.0）。

首先，我使用以下脚本在客户端模式下提交它：

#!/bin/bash

sparkMaster=local[*]
mainClass=package.MainClass

jar=/path/to/myJar-with-dependencies.jar

driverPort=7079
blockPort=7082

deployMode=client

$SPARK_HOME/bin/spark-submit \
  --conf "spark.driver.port=${driverPort}"\
  --conf "spark.blockManager.port=${blockPort}"\
  --class $mainClass \
  --master $sparkMaster \
  --deploy-mode $deployMode \
  --jars /path/to/jars/spark-cassandra-connector_2.11-2.0.0.jar \
  $jar

当我这样做时，一切正常。 但是现在，我想以集群模式运行我的应用程序。

因此，我通过将sparkMaster设置为我的主 IP 并将deployMode为“集群”来修改我的提交脚本。

当我提交申请时，我的驱动程序日志中几乎立即出现以下错误：

Exception in thread "main" java.lang.reflect.InvocationTargetException
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:498)
        at org.apache.spark.deploy.worker.DriverWrapper$.main(DriverWrapper.scala:58)
        at org.apache.spark.deploy.worker.DriverWrapper.main(DriverWrapper.scala)
Caused by: java.lang.ClassNotFoundException: Failed to find data source: org.apache.spark.sql.cassandra. Please find packages at https://cwiki.apache.org/confluence/display/SPARK/Third+Party+Projects
        at org.apache.spark.sql.execution.datasources.DataSource.lookupDataSource(DataSource.scala:148)
        ...

Caused by: java.lang.ClassNotFoundException: org.apache.spark.sql.cassandra.DefaultSource
        at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
        ...

笔记 ：

• 在与我的 Master 同一台机器上只有一个 Worker 的集群时，我仍然有错误。
• 起初，我使用的是 Spark 2.3.1，并且在集群模式下运行我的代码没有问题（在--jars使用 spark-cassandra-connector_2.11-2.3.1.jar ）。
• 我在--jars尝试了多个 jars，如： spark-cassandra-connector_2.11-2.0.0.jar 、 spark-cassandra-connector_2.11-2.0.2.jar 、 spark-cassandra-connector_2.11-2.3.1.jar ， spark-cassandra-connector-java_2.11-1.5.1.jar ，但它们都spark-cassandra-connector-java_2.11-1.5.1.jar 。
• 其他一些 jars 设置在--jars参数中并被考虑在内

Answer 1

您可能需要将路径指定为file:///path/to/jars/spark-cassandra-connector_2.11-2.0.0.jar - 在这种情况下，它将通过驱动程序的 HTTP 服务器分发给执行程序。 否则，它期望您已经将文件复制到所有机器，以避免由进程本身复制。 有关详细信息，请参阅Spark 文档...

我宁愿建议只创建具有所有依赖项（Spark 除外）的 uberjar，然后提交它——这样的事情会减少痛苦。