scala - Spark 读取 Avro 文件

Question

我正在使用 com.databricks.spark.avro。当我像这样从 spark-shell 运行它时：spark-shell --jar spark-avro_2.11-4.0.0.jar，我可以通过这样做来读取文件：

import org.apache.spark.sql.SQLContext
val sqlContext = new SQLContext(sc)
val avroInput = sqlContext.read.format("com.databricks.spark.avro").load(inputPath)
avroInput.write.format("com.databricks.spark.avro").save(outputPath)

但是，如果我尝试在我的项目中使用 做同样的事情sbt clean run，我会得到：

java.lang.ClassNotFoundException: Failed to find data source: org.apache.spark.sql.avro.AvroFileFormat. Please find packages at http://spark.apache.org/third-party-projects.html
[info]   at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:657)
[info]   at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:194)
[info]   at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:178)
[info]   at com.databricks.spark.avro.package$AvroDataFrameReader$$anonfun$avro$2.apply(package.scala:34)

"com.databricks" %% "spark-avro" % "4.0.0"列在我的依赖项中，它在我的外部库中。我还缺少另一个依赖项吗？

Answer 1

以下是在 Spark 中使用 Avro 时需要的依赖项。根据您的需要，使用以下方法之一。

Maven 依赖项。

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-avro_2.11</artifactId>
    <version>2.4.0</version>
</dependency>

火花提交

使用 spark-submit 时，直接使用 --packages 提供 spark-avro_2.12 及其依赖，例如，

./bin/spark-submit --packages org.apache.spark:spark-avro_2.12:2.4.4

火花壳

在使用 spark-shell 时，您还可以使用 --packages 直接添加 spark-avro_2.12 及其依赖项，

./bin/spark-shell --packages org.apache.spark:spark-avro_2.12:2.4.4

根据您使用的版本更改 spark-avro 版本。

请参阅使用 Spark SQL 2.4.x 和更高版本中的 Avro 数据文件 快乐学习！

Answer 2

原来我不必使用databricks jar。我将 apache spark avro 添加到我的依赖项中：

"org.apache.spark"             %% "spark-avro"           % "2.4.0"

而且我能够将我的 avro 文件读入DataFrame：

val avroInput = sparkSession.read
  .format("avro")
  .load("/pathtoFile/avroFile.avro")

Answer 3

查看https://spark.apache.org/docs/latest/sql-data-sources-avro.html#deployingspark-submit以了解如何通过命令将 Avro jar 与您的应用程序 jar 一起部署。具体来说，您需要使用--packages选项。这也适用于spark-shell.