PySpark 2.x：以编程方式将 Maven JAR 坐标添加到 Spark

以下是我的 PySpark 启动片段，非常可靠（我已经使用它很长时间了）。今天我添加了两个 Maven 坐标，如图所示spark.jars.packages选项（有效地“插入”Kafka 支持）。现在通常会触发依赖项下载（由 Spark 自动执行）：

import sys, os, multiprocessing
from pyspark.sql import DataFrame, DataFrameStatFunctions, DataFrameNaFunctions
from pyspark.conf import SparkConf
from pyspark.sql import SparkSession
from pyspark.sql import functions as sFn
from pyspark.sql.types import *
from pyspark.sql.types import Row
  # ------------------------------------------
  # Note: Row() in .../pyspark/sql/types.py
  # isn't included in '__all__' list(), so
  # we must import it by name here.
  # ------------------------------------------
 
num_cpus = multiprocessing.cpu_count()        # Number of CPUs for SPARK Local mode.
os.environ.pop('SPARK_MASTER_HOST', None)     # Since we're using pip/pySpark these three ENVs
os.environ.pop('SPARK_MASTER_POST', None)     # aren't needed; and we ensure pySpark doesn't
os.environ.pop('SPARK_HOME',        None)     # get confused by them, should they be set.
os.environ.pop('PYTHONSTARTUP',     None)     # Just in case pySpark 2.x attempts to read this.
os.environ['PYSPARK_PYTHON'] = sys.executable # Make SPARK Workers use same Python as Master.
os.environ['JAVA_HOME'] = '/usr/lib/jvm/jre'  # Oracle JAVA for our pip/python3/pySpark 2.4 (CDH's JRE won't work).
JARS_IVY_REPO = '/home/jdoe/SPARK.JARS.REPO.d/'

# ======================================================================
# Maven Coordinates for JARs (and their dependencies) needed to plug
# extra functionality into Spark 2.x (e.g. Kafka SQL and Streaming)
# A one-time internet connection is necessary for Spark to autimatically
# download JARs specified by the coordinates (and dependencies).
# ======================================================================
spark_jars_packages = ','.join(['org.apache.spark:spark-streaming-kafka-0-10_2.11:2.4.0',
                                'org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.0',])
# ======================================================================
spark_conf = SparkConf()
spark_conf.setAll([('spark.master', 'local[{}]'.format(num_cpus)),
                   ('spark.app.name', 'myApp'),
                   ('spark.submit.deployMode', 'client'),
                   ('spark.ui.showConsoleProgress', 'true'),
                   ('spark.eventLog.enabled', 'false'),
                   ('spark.logConf', 'false'),
                   ('spark.jars.repositories', 'file:/' + JARS_IVY_REPO),
                   ('spark.jars.ivy', JARS_IVY_REPO),
                   ('spark.jars.packages', spark_jars_packages), ])

spark_sesn            = SparkSession.builder.config(conf = spark_conf).getOrCreate()
spark_ctxt            = spark_sesn.sparkContext
spark_reader          = spark_sesn.read
spark_streamReader    = spark_sesn.readStream
spark_ctxt.setLogLevel("WARN")

但是，当我运行代码片段时，插件不会下载和/或加载（例如./python -i init_spark.py），正如他们应该的那样。

这种机制曾经有效，但后来就停止了。我缺少什么？

先感谢您！

在这种帖子中，问题比答案更有价值，因为上面的代码可以工作，但在 Spark 2.x 文档或示例中找不到。

以上是我如何通过 Maven 坐标以编程方式向 Spark 2.x 添加功能。我让这个工作正常，但后来它停止工作了。为什么？

当我在 a 中运行上面的代码时jupyter notebook，笔记本在幕后已经通过我的方式运行了相同的代码片段PYTHONSTARTUP脚本。那PYTHONSTARTUP脚本与上面的代码相同，但省略了maven坐标（有意）。

那么，这个微妙的问题是如何出现的：

spark_sesn = SparkSession.builder.config(conf = spark_conf).getOrCreate()

因为 Spark 会话已经存在，所以上面的语句只是重用了现有会话 (.getOrCreate())，而该会话没有加载 jar/库（同样，因为我的 PYTHONSTARTUP 脚本故意省略了它们）。这就是为什么最好将 print 语句放在 PYTHONSTARTUP 脚本中（否则这些脚本是静默的）。

最后，我只是忘了这样做：$ unset PYTHONSTARTUP在开始之前JupyterLab / Notebook daemon.

我希望这个问题对其他人有帮助，因为这就是如何以编程方式向 Spark 2.x（在本例中为 Kafka）添加功能。请注意，您需要互联网连接才能从 Maven Central 一次性下载指定的 jar 和递归依赖项。