Подключение к базе данных MSSQL Server с помощью pyspark

Я новичок в pyspark и пытаюсь подключиться к базе данных сервера mssql. Вот подробности: Это печатается, когда я запускаю имеющийся у меня скрипт.

('Processing table:', u'POL_ACTION_AMEND')
('Table schema:', u'dbo')
('Source_database:', u'PRD01_IPS')
('SQL Query:', '(SELECT TOP 100 * FROM PRD01_IPS.dbo.POL_EVENT_HISTORY)')
('jdbc_uri:', 'jdbc:jtds:sqlserver://REPLCLPRD01\REPL/PRD01_IPS')

Но spark.read.format() выдает ошибку при попытке загрузить данные из таблицы.

select_statement_sql_server = "(SELECT TOP 100 * FROM {source_database}.{schema}.{table_name})"


# Read data for a table 
data_df = (
    spark.read.format("jdbc")
        .option("url",source_jdbc_uri)
        .option("user",source_jdbc_user)
        .option("password",source_jdbc_pass)
        .option("driver", source_jdbc_driver)
        .option("dbtable", select_statement_sql_server.format(
            source_database=source_database, schema=schema, table_name='POL_EVENT_HISTORY'
        ))
        .load()
)
    
data.show()

Ошибка, которую я получаю:

('SQL Query:', '(SELECT TOP 100 * FROM PRD01_IPS.dbo.POL_EVENT_HISTORY)')
Traceback (most recent call last):
  File "/pkg/lxd0bigd/Talend_To_Pyspark/PSTAR_IPS/200job_IPS.py", line 136, in <module>
    .option("dbtable", select_statement_sql_server.format(source_database=source_database, schema=schema, table_name='POL_EVENT_HISTORY')) \
  File "/opt/cloudera/parcels/CDH-7.1.8-1.cdh7.1.8.p0.30990532/lib/spark/python/lib/pyspark.zip/pyspark/sql/readwriter.py", line 172, in load
  File "/opt/cloudera/parcels/CDH-7.1.8-1.cdh7.1.8.p0.30990532/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
  File "/opt/cloudera/parcels/CDH-7.1.8-1.cdh7.1.8.p0.30990532/lib/spark/python/lib/pyspark.zip/pyspark/sql/utils.py", line 63, in deco
  File "/opt/cloudera/parcels/CDH-7.1.8-1.cdh7.1.8.p0.30990532/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o236.load.
: java.lang.NullPointerException
    at org.apache.spark.sql.execution.datasources.jdbc.JDBCRDD$.resolveTable(JDBCRDD.scala:71)
    at org.apache.spark.sql.execution.datasources.jdbc.JDBCRelation$.getSchema(JDBCRelation.scala:211)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcRelationProvider.createRelation(JdbcRelationProvider.scala:35)
    at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:332)
    at org.apache.spark.sql.DataFrameReader.loadV1Source(DataFrameReader.scala:243)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:231)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:187)
    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 py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:282)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:238)
    at java.lang.Thread.run(Thread.java:750)

У меня есть сценарий оболочки для запуска сценария с командой spark-submit.

spark-submit --master yarn --deploy-mode client \
    --driver-class-path ${DRIVER_AND_JAR_FILE_PATH} \
    --jars ${DRIVER_AND_JAR_FILE_PATH},${JAR_FILE_XML} \
    --conf "spark.dynamicAllocation.enabled=true" \
    --conf "spark.yarn.dist.files=/etc/hive/conf.cloudera.hive/hive-site.xml" \
    ${ROOT_DIR}/200job_IPS.py \
    --hdfspath ${XML_FILE_HDFS} >> ${LOGFILE_DIR}/200job_log.txt 2>&1 

sh /pkg/lxd0bigd/Talend_To_Pyspark/PSTAR_IPS/Ingestion_PSTAR.sh dev \
    /pkg/lxd0bigd/Talend_To_Pyspark/spark-jobs/lib/mssql-jdbc-6.2.1.jre7.jar

Я не уверен в DRIVER_AND_JAR_FILE_PATH. У меня есть 3 файла jar, и я не уверен, какой из них использовать. Я попробовал все 3, и проблема та же.

mssql-jdbc-6.2.1.jre7.jar, sqljdbc41.jar, jtds-1.3.1-patch.jar

Любые предложения и решения будут очень полезны.

Вы откуда-то скопировали этот код/пример? Опция dbtable должна быть просто именем таблицы, а не запросом. Вы можете использовать функцию expr для оператора выбора.

OneCricketeer 16.05.2024 06:40

@OneCricketeer У меня есть тот же код для базы данных Oracle, который работает, и я пытался его использовать.

Shiva 16.05.2024 14:58

Пришлось еще раз проверить документацию... Итак, вы пытаетесь выбрать сразу из 100 таблиц? Сервер Oracle и sql имеют разный синтаксис. Действительно ли этот запрос работает непосредственно на сервере sql? Из документации Spark: «Обратите внимание, что при использовании dbtable... можно использовать все, что допустимо в предложении FROM запроса SQL. Например, вместо полной таблицы вы также можете использовать подзапрос в круглых скобках». И если да, то зачем печатать Processing table:', u'POL_ACTION_AMEND'?

OneCricketeer 16.05.2024 15:02

@OneCricketeer Да, запрос работает на сервере MS SQL. Я получаю первые 100 строк из таблицы. У меня есть большой запрос из 4-5 строк, который не работает, поэтому я тестирую с помощью простого оператора select * from table. Запрос, который у меня есть, выполняется в цикле для более чем 50 таблиц. поэтому имя базы данных и имя таблицы параметризуются.

Shiva 16.05.2024 15:05

И каждое из этих значений строк является допустимым именем таблицы в базе данных? Другими словами, как обрабатывается таблица POL_ACTION_AMEND, если ее значение не используется?

OneCricketeer 16.05.2024 15:06

Да, это действительные таблицы в базе данных. Я отредактировал вопрос. Чтобы включить sql_server_statement

Shiva 16.05.2024 15:08

Spark будет использовать эквивалент SELECT * FROM (SELECT TOP 100 * FROM PRD01_IPS.dbo.POL_EVENT_HISTORY)', а не выбирать только из одной таблицы. Это то, чего вы ожидаете, и работает ли этот запрос?

OneCricketeer 16.05.2024 15:12

1. Используйте .option("query", select_statement_sql_server....) вместо dbtable, это не должно иметь значения, но это правильно. 2. Если в драйвере есть какая-то ошибка, пробовали ли вы другую версию jar драйвера? Вам также не обязательно загружать драйвер, вы можете попросить spark-submit загрузить его для вас, например. --packages com.oracle.database.jdbc:ojdbc8:23.2.0.0,io.delta:delta-core‌​_2.12:2.2.0 для драйвера Oracle и библиотеки DeltaLake.

Kashyap 16.05.2024 15:46

@Kashyap Это для сервера MSSQL, а не для Oracle. И я использую Hadoop pyspark. Просто чтобы дать больше информации.

Shiva 16.05.2024 15:48

Это пример. Очевидно, вам нужно найти драйвер для вашей БД/версии и указать его, а не Oracle.

Kashyap 16.05.2024 15:53

какое имя хоста у вашей БД? что такое \REPL? Является ли номер порта необязательным в URL?

Kashyap 16.05.2024 15:56
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
11
82
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Я предполагаю, что ваш URL-адрес неверен. Не знаю, что это \REPL.

Пытаться:

jdbc:jtds:sqlserver://REPLCLPRD01/PRD01_IPS

или

jdbc:jtds:sqlserver://REPLCLPRD01:<custom-port-if-applicable>/PRD01_IPS

См. этот ответ для справки.

Кроме того, как я уже отметил, вариант query в данном случае более уместен, чем dbtable. Хотя это не причина вашего NPE.

.option("query", select_statement_sql_server....)

Ответ принят как подходящий

Решение найдено.

  1. Пришлось изменить jdbc uri на "jdbc:sqlserver://REPLCLPRD01\REPL;databaseName=PRD01_IPS"

  2. Измените драйвер на mssql-jdbc-6.2.1.jre7.jar

  3. Если мы используем .option("query"), оператор выбора может быть таким, какой есть. Если мы используем option(dbtable), оператор выбора должен быть заключен в скобки и иметь псевдоним.

"(SELECT TOP 100 * FROM {source_database}.{schema}.{table_name}) tmp"

Другие вопросы по теме