在远程 Yarn 集群上使用 spark 从 S3 访问文件时出现问题

Posted

技术标签:

【中文标题】在远程 Yarn 集群上使用 spark 从 S3 访问文件时出现问题【英文标题】:Problem accessing files from S3 using spark on remote Yarn cluster 【发布时间】:2019-04-02 15:44:31 【问题描述】:

我正在尝试使用 spark-shell (val df=spark.read.csv("s3a://xxxxxx") ) 从 S3 导入 csv 文件 spark-shell 客户端连接到远程纱线集群。 它因 java.lang.VerifyError 而失败,但是,当我从 yarn resourcemanager 的同一台机器启动 spark-shell 时,它工作正常。

这是错误代码:

java.lang.VerifyError: Bad type on operand stack
Exception Details:
  Location:
  org/apache/hadoop/fs/s3a/S3AFileSystem.s3GetFileStatus(Lorg/apache/hadoop/fs/Path;Ljava/lang/String;Ljava/util/Set;)Lorg/apache/hadoop/fs/s3a/S3AFileStatus; @274: invokestatic
  Reason:
    Type 'com/amazonaws/AmazonServiceException' (current frame, stack[2]) is not assignable to 'com/amazonaws/SdkBaseException'
  Current Frame:
    bci: @274
    flags:  
    locals:  'org/apache/hadoop/fs/s3a/S3AFileSystem', 'org/apache/hadoop/fs/Path', 'java/lang/String', 'java/util/Set', 'java/lang/String', 'com/amazonaws/AmazonServiceException' 
    stack:  'java/lang/String', 'java/lang/String', 'com/amazonaws/AmazonServiceException' 

spark-default.conf :

spark.master yarn
spark.hadoop.fs.s3a.server-side-encryption-algorithm SSE-KMS
spark.hadoop.fs.s3a.server-side-encryption.key xxxxxxxxxxxxxxxxxxxxxxxxxxx
spark.hadoop.fs.s3a.enableServerSideEncryption true
com.amazonaws.services.s3.enableV4 true
spark.hadoop.fs.s3a.impl org.apache.hadoop.fs.s3a.S3AFileSystem
spark.blockManager.port 20020
spark.driver.port 20020
spark.master.ui.port 4048
spark.ui.port 4041
spark.port.maxRetries 100
spark.yarn.jars hdfs://hdfs-master:4040/spark/jars/*
spark.driver.extraJavaOptions=-Dlog4j.configuration=/usr/local/spark/conf/log4j.properties
spark.executor.extraJavaOptions=-Dlog4j.configuration=/usr/local/spark/conf/log4j.properties
spark.eventLog.enabled  true
spark.eventLog.dir hdfs://hdfs-master:4040/spark-logs
spark.yarn.app.container.log.dir /home/aws_install/hadoop/logdir

.hadooprc

hadoop_add_to_classpath_tools hadoop-aws

知道问题的根源是什么吗?

【问题讨论】:

【参考方案1】:

类路径问题的提示。

hadooprc 更改的一个问题是它只会更改您的本地环境,而不是集群其余部分的环境。但是你得到org/apache/hadoop/fs/s3a/S3AFileSystem.s3GetFileStatus 的事实意味着正在加载 S3A jar - 但 JVM 本身存在问题

类路径上可能有两个 AWS 开发工具包副本,因此它说刚刚提出的 AmazonServiceException 不是 SdkBaseException 的子类,因为混合了 JAR。

【讨论】:

是的,在验证所有加载的jar后,我发现前段时间我在spark/jars中添加了这个jar aws-java-sdk-1.7.4.jar,删除它解决了问题;)

以上是关于在远程 Yarn 集群上使用 spark 从 S3 访问文件时出现问题的主要内容,如果未能解决你的问题,请参考以下文章

如何设置 Zeppelin 以使用远程 EMR Yarn 集群

spark远程debug之调试spark on yarn 程序

使用 YARN 在集群模式下运行 spark 时出现 java.io.FileNotFoundException

自动设置 Dataproc 集群后 Yarn/Spark 的内存分配不正确

在 Yarn 集群上运行 Spark 作业的问题

Spark On Yarn部署