Presto 无法查询配置单元表

Posted 2023-03-21

【中文标题】Presto 无法查询配置单元表

【英文标题】：Presto failing to query hive table

【发布时间】：2017-03-27 08:04:25

【问题描述】：

在 EMR 上，我使用 spark 在 parquet 中创建了一个数据集，并将其存储在 S3 上。 我目前能够创建一个外部表并使用 hive 对其进行查询，但是当我尝试使用 presto 执行相同的查询时出现错误（每次运行时引用的部分都会更改）。

2016-11-13T13:11:15.165Z        ERROR   remote-task-callback-36 com.facebook.presto.execution.StageStateMachine Stage 20161113_131114_00004_yp8y5.1 failed
com.facebook.presto.spi.PrestoException: Error opening Hive split s3://my_bucket/my_table/part-r-00013-b17b4495-f407-49e0-9d15-41bb0b68c605.snappy.parquet (offset=1100508800, length=68781800): null
        at com.facebook.presto.hive.parquet.ParquetHiveRecordCursor.createParquetRecordReader(ParquetHiveRecordCursor.java:475)
    at com.facebook.presto.hive.parquet.ParquetHiveRecordCursor.<init>(ParquetHiveRecordCursor.java:247)
    at com.facebook.presto.hive.parquet.ParquetRecordCursorProvider.createHiveRecordCursor(ParquetRecordCursorProvider.java:96)
    at com.facebook.presto.hive.HivePageSourceProvider.getHiveRecordCursor(HivePageSourceProvider.java:129)
    at com.facebook.presto.hive.HivePageSourceProvider.createPageSource(HivePageSourceProvider.java:107)
    at com.facebook.presto.spi.connector.classloader.ClassLoaderSafeConnectorPageSourceProvider.createPageSource(ClassLoaderSafeConnectorPageSourceProvider.java:44)
    at com.facebook.presto.split.PageSourceManager.createPageSource(PageSourceManager.java:48)
    at com.facebook.presto.operator.TableScanOperator.createSourceIfNecessary(TableScanOperator.java:268)
    at com.facebook.presto.operator.TableScanOperator.isFinished(TableScanOperator.java:210)
    at com.facebook.presto.operator.Driver.processInternal(Driver.java:375)
    at com.facebook.presto.operator.Driver.processFor(Driver.java:301)
    at com.facebook.presto.execution.SqlTaskExecution$DriverSplitRunner.processFor(SqlTaskExecution.java:622)
    at com.facebook.presto.execution.TaskExecutor$PrioritizedSplitRunner.process(TaskExecutor.java:529)
    at com.facebook.presto.execution.TaskExecutor$Runner.run(TaskExecutor.java:665)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)
Caused by: java.io.EOFException
    at java.io.DataInputStream.readFully(DataInputStream.java:197)
    at java.io.DataInputStream.readFully(DataInputStream.java:169)
    at parquet.hadoop.ParquetFileReader.readFooter(ParquetFileReader.java:420)
    at parquet.hadoop.ParquetFileReader.readFooter(ParquetFileReader.java:385)
    at com.facebook.presto.hive.parquet.ParquetHiveRecordCursor.lambda$createParquetRecordReader$0(ParquetHiveRecordCursor.java:416)
    at com.facebook.presto.hive.authentication.NoHdfsAuthentication.doAs(NoHdfsAuthentication.java:23)
    at com.facebook.presto.hive.HdfsEnvironment.doAs(HdfsEnvironment.java:76)
    at com.facebook.presto.hive.parquet.ParquetHiveRecordCursor.createParquetRecordReader(ParquetHiveRecordCursor.java:416)
    ... 16 more

镶木地板位置由 128 个部分组成 - 数据存储在 S3 上，并使用带有 KMS 的客户端加密进行加密。 Presto 使用自定义加密材料提供程序（使用 presto.s3.encryption-materials-provider 指定），它只返回使用我的主密钥初始化的 KMSEncryptionMaterials 对象。我正在使用 EMR 5.1.0（Hive 2.1.0、Spark 2.0.1、Presto 0.152.3）。

【参考方案1】：

关闭加密后是否会出现这种情况？

有一个针对 ASF s3a 客户端（不是 EMR 客户端）出现的错误报告，当文件系统列出长度！= 实际文件长度时，事情就出现了问题。即：由于加密，列表中的文件长度>读取中的长度。

我们无法在我们的测试中重现这一点，我们的结论是“文件系统不能这样做”（事实上，这是 Hadoop FS 规范的基本要求：列出的 len 必须等于实际长度）。如果 EMR 代码出现此错误，则说明其驱动程序中存在下游代码无法处理的问题

【讨论】：

它适用于未加密的对象-您可能走在正确的轨道上-因为这是我在 Presto 代码中找到的注释： // 注意：对于加密对象，下面使用的 S3ObjectSummary.size() 不是正确，// 但是，要获得正确的大小，我们需要发出额外的请求来获取 // 用户元数据，在这种情况下，这无关紧要。

如何关闭加密？

文件缺少“x-amz-unencrypted-content-length”元数据值。 Presto 需要将此设置为与使用 CSE 加密的文件正常工作

所以真正的大小列在标题中，但在列表操作中没有返回任何内容？那是麻烦，很麻烦，就像“事情不应该那样工作”。

是的，不过有点棘手 - 一旦 EMR-FS 以 hadoop 样式将文件写入 S3，我的脚本会下载这些部分（隐式解密）并重新上传它们，设置标头“x-amz-unencrypted-content-length”（实际上我在同一位置发出 s3-copy，但设置标头以节省上传时间）。