GeoSpark-fel med odefinierad funktion med DBConnect

Problem

Du försöker använda funktionen GeoSpark med st_geofromwktst_geofromwkt du får ett Apache Spark felmeddelande.

Error: org.apache.spark.sql.AnalysisException: Undefined function: 'st_geomfromwkt'. This function is neither a registered temporary function nor a permanent function registered in the database 'default'.;

Den här exempelkoden misslyckas med felet när den används med DBConnect.

val sc = spark.sparkContext
sc.setLogLevel("DEBUG")

val sqlContext = spark.sqlContext
spark.sparkContext.addJar("~/jars/geospark-sql_2.3-1.2.0.jar")
spark.sparkContext.addJar("~/jars/geospark-1.2.0.jar")

GeoSparkSQLRegistrator.registerAll(sqlContext)
println(spark.sessionState.functionRegistry.listFunction)

spark.sql("select ST_GeomFromWKT(area) AS geometry from polygon").show()

Orsak

DBConnect stöder inte automatisk synkronisering av klientsidans UDF:er till servern.

Lösning

Du kan använda ett anpassat verktyg med kod som registrerar UDF i klustret med klassen SparkSessionExtensions.

  1. Skapa en jar-verktyg som registrerar GeoSpark-funktioner med hjälp av SparkSessionExtensions . Den här verktygsklassdefinitionen kan byggas in i en jar-verktyg.

    package com.databricks.spark.utils
    
    import org.apache.spark.sql.SparkSessionExtensions
    import org.datasyslab.geosparksql.utils.GeoSparkSQLRegistrator
    
    class GeoSparkUdfExtension extends (SparkSessionExtensions => Unit) {
      def apply(e: SparkSessionExtensions): Unit = {
        e.injectCheckRule(spark => {
          println("INJECTING UDF")
          GeoSparkSQLRegistrator.registerAll(spark)
          _ => Unit
        })
      }
    }
    
  2. Kopiera GeoSpark-jar-filerna och verktygs-jar-filen till DBFS på dbfs:/databricks/geospark-extension-jars/ .

  3. Skapa ett init-skript ( ) som kopierar jar-filerna från DBFS-platsen till Spark-klasssökvägen och set_geospark_extension_jar.sh anger spark.sql.extensions till verktygsklassen.

    dbutils.fs.put(
        "dbfs:/databricks/<init-script-folder>/set_geospark_extension_jar.sh",
        """#!/bin/sh
          |sleep 10s
          |# Copy the extension and GeoSpark dependency jars to /databricks/jars.
          |cp -v /dbfs/databricks/geospark-extension-jars/{spark_geospark_extension_2_11_0_1.jar,geospark_sql_2_3_1_2_0.jar,geospark_1_2_0.jar} /databricks/jars/
          |# Set the extension.
          |cat << 'EOF' > /databricks/driver/conf/00-custom-spark.conf
          |[driver] {
          |    "spark.sql.extensions" = "com.databricks.spark.utils.GeoSparkUdfExtension"
          |}
          |EOF
          |""".stripMargin,
        overwrite = true
    )
    
  4. Installera init-skriptet som ett init-skript med klusteromfång. Du behöver den fullständiga sökvägen till platsen för skriptet ( dbfs:/databricks/<init-script-folder>/set_geospark_extension_jar.sh ).

  5. Starta om klustret.

  6. Nu kan du använda GeoSpark-kod med DBConnect.