使用pyspark从s3读取/加载avro文件

问题描述

使用AWS胶水开发人员终端节点Spark Version - 2.4 Python Version- 3

代码： df=spark.read.format("avro").load("s3://dataexport/users/prod-users.avro")

在尝试读取Avro文件时获取以下错误消息： Failed to find data source: avro. Avro is built-in but external data source module since Spark 2.4. Please deploy the application as per the deployment section of "Apache Avro Data Source Guide".;

找到了以下链接，但对解决我的问题没有帮助

https://spark.apache.org/docs/latest/sql-data-sources-avro.html[Apache Avro数据源指南] [1]

Apache Avro as a Built-in Data Source in Apache Spark 2.4

解决方法

您只需要导入该程序包

 org.apache.spark:spark-avro_2.11:4.0.0

检查所需的版本here

,

启动外壳程序时是否导入了软件包？如果不是，则需要如下所示启动外壳。以下软件包适用于spark 2.4+版本。

pyspark  --packages com.databricks:spark-avro_2.11:4.0.0

也可以在read.format内编写如下内容：

df=spark.read.format("com.databricks.spark.avro").load("s3://dataexport/users/prod-users.avro")

注意：对于pyspark，您需要编写“ com.databricks.spark.avro ”而不是“ avro”。