Spark 使用 sc.textFile ("s3n://...) 从 S3 读取文件

Posted 2023-02-16

【中文标题】Spark 使用 sc.textFile ("s3n://...) 从 S3 读取文件

【英文标题】：Spark read file from S3 using sc.textFile ("s3n://...)

【发布时间】：2015-08-31 07:22:32

【问题描述】：

尝试使用 spark-shell 读取位于 S3 中的文件：

scala> val myRdd = sc.textFile("s3n://myBucket/myFile1.log")
lyrics: org.apache.spark.rdd.RDD[String] = s3n://myBucket/myFile1.log MappedRDD[55] at textFile at <console>:12

scala> myRdd.count
java.io.IOException: No FileSystem for scheme: s3n
    at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2607)
    at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2614)
    at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:91)
    ... etc ...

IOException: No FileSystem for scheme: s3n 发生错误：

开发机器上的 Spark 1.31 或 1.40（无 Hadoop 库） 从集成了 Spark 1.2.1 开箱即用的 Hortonworks Sandbox HDP v2.2.4 (Hadoop 2.60) 运行 使用 s3:// 或 s3n:// 方案

这个错误的原因是什么？缺少依赖、缺少配置或误用sc.textFile()？

或者这可能是由于一个影响特定于 Hadoop 2.60 的 Spark 构建的错误，正如 post 似乎暗示的那样。我将尝试使用 Spark for Hadoop 2.40 看看这是否能解决问题。

【参考方案1】：

确认这与针对 Hadoop 2.60 的 Spark 构建有关。刚刚安装了Spark 1.4.0 "Pre built for Hadoop 2.4 and later"（而不是 Hadoop 2.6）。现在代码可以正常工作了。

sc.textFile("s3n://bucketname/Filename") 现在引发另一个错误：

java.lang.IllegalArgumentException: AWS Access Key ID and Secret Access Key must be specified as the username or password (respectively) of a s3n URL, or by setting the fs.s3n.awsAccessKeyId or fs.s3n.awsSecretAccessKey properties (respectively).

以下代码使用 S3 URL 格式显示 Spark 可以读取 S3 文件。使用开发机器（无 Hadoop 库）。

scala> val lyrics = sc.textFile("s3n://MyAccessKeyID:MySecretKey@zpub01/SafeAndSound_Lyrics.txt")
lyrics: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[3] at textFile at <console>:21

scala> lyrics.count
res1: Long = 9

甚至更好：如果 AWS 密钥具有前向“/”，则上述代码在 S3N URI 中内嵌 AWS 凭证时会中断。在 SparkContext 中配置 AWS 凭证将修复它。无论 S3 文件是公共文件还是私有文件，代码都有效。

sc.hadoopConfiguration.set("fs.s3n.awsAccessKeyId", "BLABLA")
sc.hadoopConfiguration.set("fs.s3n.awsSecretAccessKey", "....") // can contain "/"
val myRDD = sc.textFile("s3n://myBucket/MyFilePattern")
myRDD.count

【讨论】：

Spark 1.6.0 和 Hadoop 2.4 为我工作。带有 Hadoop 2.6 的 Spark 1.6.0 没有。

@PriyankDesai 对于其他有同样问题的人，请参阅issues.apache.org/jira/browse/SPARK-7442 和评论部分中的链接。

请参阅下面的答案，了解它不适用于 Hadoop 2.6 版本的原因。

在我的 SparkContext 中添加以下内容解决了我的问题 code sc.hadoopConfiguration.set("fs.s3.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem") sc.hadoopConfiguration .set("fs.s3n.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem")code

请注意，您不应使用您的密钥和访问代码库的密钥签入代码。理想的方法是让您的集群环境假设您的 IAMRole 可以访问 S3。我从程序中删除了访问和密钥代码，但在 Amazon EMR sc.hadoopConfiguration.set("fs.s3n.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem" 上运行时忘记删除以下代码)，然后程序再次开始失败并出现上述错误。

【参考方案2】：

尽管这个问题已经得到了公认的答案，但我认为仍然缺少关于为什么会发生这种情况的确切细节。所以我认为可能还有其他答案。

如果您添加所需的 hadoop-aws 依赖项，您的代码应该可以工作。

从 Hadoop 2.6.0 开始，s3 FS 连接器已移至名为 hadoop-aws 的单独库。 还有一个 Jira： Move s3-related FS connector code to hadoop-aws.

这意味着针对 Hadoop 2.6.0 或更高版本构建的任何 spark 版本都必须使用另一个外部依赖项才能连接到 S3 文件系统。 这是我尝试过的一个 sbt 示例，它使用基于 Hadoop 2.6.0 构建的 Apache Spark 1.6.2 按预期工作：

libraryDependencies += "org.apache.hadoop" % "hadoop-aws" % "2.6.0"

在我的情况下，我遇到了一些依赖问题，所以我通过添加排除来解决：

libraryDependencies += "org.apache.hadoop" % "hadoop-aws" % "2.6.0" exclude("tomcat", "jasper-compiler") excludeAll ExclusionRule(organization = "javax.servlet")

关于其他相关说明，我还没有尝试过，但建议使用“s3a”而不是“s3n”文件系统启动 Hadoop 2.6.0。

第三代，s3a：文件系统。该文件系统绑定旨在替代 s3n:，支持更大的文件并承诺更高的性能。

【参考方案3】：

您可以使用适当的 jar 添加 --packages 参数： 对您的提交：

bin/spark-submit --packages com.amazonaws:aws-java-sdk-pom:1.10.34,org.apache.hadoop:hadoop-aws:2.6.0 code.py

【讨论】：

看起来很有希望，但是当我使用 spark-submit --packages com.amazonaws:aws-java-sdk-pom:1.11.83,org.apache.hadoop:hadoop-aws:2.7.3 merge.py 执行此操作时，我无法下载 file:/home/jcomeau/.m2/repository/asm/asm/3.2/asm-3.2.jar。有什么想法吗？

【参考方案4】：

我必须将 jar 文件从 hadoop 下载复制到 $SPARK_HOME/jars 目录。对 spark-submit 使用 --jars 标志或 --packages 标志不起作用。

详情：

Spark 2.3.0 下载的 Hadoop 是 2.7.6 复制的两个 jar 文件来自 (hadoop dir)/share/hadoop/tools/lib/ aws-java-sdk-1.7.4.jar hadoop-aws-2.7.6.jar

【参考方案5】：

这是一个示例 spark 代码，可以读取 s3 上的文件

val hadoopConf = sparkContext.hadoopConfiguration
hadoopConf.set("fs.s3.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem")
hadoopConf.set("fs.s3.awsAccessKeyId", s3Key)
hadoopConf.set("fs.s3.awsSecretAccessKey", s3Secret)
var jobInput = sparkContext.textFile("s3://" + s3_location)

【参考方案6】：

在 Spark 2.0.2 中遇到了同样的问题。通过喂它罐子解决它。这是我跑的：

$ spark-shell --jars aws-java-sdk-1.7.4.jar,hadoop-aws-2.7.3.jar,jackson-annotations-2.7.0.jar,jackson-core-2.7.0.jar,jackson-databind-2.7.0.jar,joda-time-2.9.6.jar

scala> val hadoopConf = sc.hadoopConfiguration
scala> hadoopConf.set("fs.s3.impl","org.apache.hadoop.fs.s3native.NativeS3FileSystem")
scala> hadoopConf.set("fs.s3.awsAccessKeyId",awsAccessKeyId)
scala> hadoopConf.set("fs.s3.awsSecretAccessKey", awsSecretAccessKey)
scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc)
scala> sqlContext.read.parquet("s3://your-s3-bucket/")

显然，您需要在运行 spark-shell 的路径中放置 jars

【讨论】：

我在使用 Spark 2.1.0 时也遇到了这个问题，并将最新的 aws 要求 (spark.jars.packages org.apache.hadoop:hadoop-aws:2.7.3) 添加到“spark-defaults .conf”，成功了。

【参考方案7】：

有一个 Spark JIRA，SPARK-7481，于今天（2016 年 10 月 20 日）开放，以添加一个 spark-cloud 模块，其中包括对所有 s3a 和 azure wasb 的传递依赖：需要以及测试。

还有一个 Spark PR 来匹配。这就是我在 Spark 构建中获得 s3a 支持的方式

如果您手动执行此操作，您必须获得与您的 hadoop JARS 的其余部分具有的确切版本相同的 hadoop-aws JAR，以及与 Hadoop aws 编译所针对的 100% 同步的 AWS JAR 版本。对于 Hadoop 2.7。1、2、3、...

hadoop-aws-2.7.x.jar 
aws-java-sdk-1.7.4.jar
joda-time-2.9.3.jar
+ jackson-*-2.6.5.jar

将所有这些都粘贴到SPARK_HOME/jars。使用您在 Env vars 或 spark-default.conf 中设置的凭据运行 spark

最简单的测试是你能做一个CSV文件的行数

val landsatCSV = "s3a://landsat-pds/scene_list.gz"
val lines = sc.textFile(landsatCSV)
val lineCount = lines.count()

得到一个数字：一切都很好。获取堆栈跟踪。坏消息。

【讨论】：

今天（2019 年 8 月）有更新吗？谢谢。

是的。 spark-hadoop-cloud 依赖项可以满足您的需求。但它不包含在 ASF 版本中。 mvnrepository.com/artifact/org.apache.spark/spark-hadoop-cloud

【参考方案8】：

对于 Spark 1.4.x“为 Hadoop 2.6 及更高版本预构建”：

我刚刚将所需的 S3、S3native 包从 hadoop-aws-2.6.0.jar 复制到 spark-assembly-1.4.1-hadoop2.6.0.jar.

之后我重新启动了 spark 集群，它可以工作了。 不要忘记检查程序集 jar 的所有者和模式。

【参考方案9】：

我遇到了同样的问题。在设置 fs.s3n.impl 的值并添加 hadoop-aws 依赖项后，它工作正常。

sc.hadoopConfiguration.set("fs.s3n.awsAccessKeyId", awsAccessKeyId)
sc.hadoopConfiguration.set("fs.s3n.awsSecretAccessKey", awsSecretAccessKey)
sc.hadoopConfiguration.set("fs.s3n.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem")

【讨论】：

在python中：AttributeError：'SparkContext'对象没有属性'hadoopConfiguration'

@UriGoren 在 Python 中，hadoopConfiguration 可以通过 java 实现访问：sc._jsc.hadoopConfiguration

【参考方案10】：

S3N 不是默认文件格式。您需要使用具有用于 AWS 兼容性的附加库的 Hadoop 版本构建您的 Spark 版本。我在这里找到的其他信息，https://www.hakkalabs.co/articles/making-your-local-hadoop-more-like-aws-elastic-mapreduce

【参考方案11】：

您可能必须使用 s3a:/ 方案而不是 s3:/ 或 s3n:/ 但是，对于火花壳来说，它不是开箱即用的（对我来说）。我看到以下堆栈跟踪：

java.lang.RuntimeException: java.lang.ClassNotFoundException: Class org.apache.hadoop.fs.s3a.S3AFileSystem not found
        at org.apache.hadoop.conf.Configuration.getClass(Configuration.java:2074)
        at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2578)
        at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2591)
        at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:91)
        at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2630)
        at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2612)
        at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:370)
        at org.apache.hadoop.fs.Path.getFileSystem(Path.java:296)
        at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:256)
        at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:228)
        at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:313)
        at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:207)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:219)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:217)
        at scala.Option.getOrElse(Option.scala:120)
        at org.apache.spark.rdd.RDD.partitions(RDD.scala:217)
        at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:32)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:219)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:217)
        at scala.Option.getOrElse(Option.scala:120)
        at org.apache.spark.rdd.RDD.partitions(RDD.scala:217)
        at org.apache.spark.SparkContext.runJob(SparkContext.scala:1781)
        at org.apache.spark.rdd.RDD.count(RDD.scala:1099)
        at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:24)
        at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:29)
        at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:31)
        at $iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:33)
        at $iwC$$iwC$$iwC$$iwC.<init>(<console>:35)
        at $iwC$$iwC$$iwC.<init>(<console>:37)
        at $iwC$$iwC.<init>(<console>:39)
        at $iwC.<init>(<console>:41)
        at <init>(<console>:43)
        at .<init>(<console>:47)
        at .<clinit>(<console>)
        at .<init>(<console>:7)
        at .<clinit>(<console>)
        at $print(<console>)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:497)
        at org.apache.spark.repl.SparkIMain$ReadEvalPrint.call(SparkIMain.scala:1065)
        at org.apache.spark.repl.SparkIMain$Request.loadAndRun(SparkIMain.scala:1338)
        at org.apache.spark.repl.SparkIMain.loadAndRunReq$1(SparkIMain.scala:840)
        at org.apache.spark.repl.SparkIMain.interpret(SparkIMain.scala:871)
        at org.apache.spark.repl.SparkIMain.interpret(SparkIMain.scala:819)
        at org.apache.spark.repl.SparkILoop.reallyInterpret$1(SparkILoop.scala:857)
        at org.apache.spark.repl.SparkILoop.interpretStartingWith(SparkILoop.scala:902)
        at org.apache.spark.repl.SparkILoop.command(SparkILoop.scala:814)
        at org.apache.spark.repl.SparkILoop.processLine$1(SparkILoop.scala:657)
        at org.apache.spark.repl.SparkILoop.innerLoop$1(SparkILoop.scala:665)
        at org.apache.spark.repl.SparkILoop.org$apache$spark$repl$SparkILoop$$loop(SparkILoop.scala:670)
        at org.apache.spark.repl.SparkILoop$$anonfun$org$apache$spark$repl$SparkILoop$$process$1.apply$mcZ$sp(SparkILoop.scala:997)
        at org.apache.spark.repl.SparkILoop$$anonfun$org$apache$spark$repl$SparkILoop$$process$1.apply(SparkILoop.scala:945)
        at org.apache.spark.repl.SparkILoop$$anonfun$org$apache$spark$repl$SparkILoop$$process$1.apply(SparkILoop.scala:945)
        at scala.tools.nsc.util.ScalaClassLoader$.savingContextLoader(ScalaClassLoader.scala:135)
        at org.apache.spark.repl.SparkILoop.org$apache$spark$repl$SparkILoop$$process(SparkILoop.scala:945)
        at org.apache.spark.repl.SparkILoop.process(SparkILoop.scala:1059)
        at org.apache.spark.repl.Main$.main(Main.scala:31)
        at org.apache.spark.repl.Main.main(Main.scala)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:497)
        at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:665)
        at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:170)
        at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:193)
        at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:112)
        at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
Caused by: java.lang.ClassNotFoundException: Class org.apache.hadoop.fs.s3a.S3AFileSystem not found
        at org.apache.hadoop.conf.Configuration.getClassByName(Configuration.java:1980)
        at org.apache.hadoop.conf.Configuration.getClass(Configuration.java:2072)
        ... 68 more

我的想法 - 您必须手动添加 hadoop-aws 依赖项 http://search.maven.org/#artifactdetails|org.apache.hadoop|hadoop-aws|2.7.1|jar 但我不知道如何正确将其添加到 spark-shell。

【讨论】：

使用--jars 参数将jar 的路径添加到spark-shell，逗号分隔。您还需要添加aws-java-sdk-*-jar。

【参考方案12】：

从maven repository 下载与您的hadoop 版本匹配的hadoop-aws jar。 将 jar 复制到$SPARK_HOME/jars 位置。

现在在您的 Pyspark 脚本中，设置 AWS 访问密钥和秘密访问密钥。

spark.sparkContext._jsc.hadoopConfiguration().set("fs.s3.awsAccessKeyId", "ACCESS_KEY")
spark.sparkContext._jsc.hadoopConfiguration().set("fs.s3.awsSecretAccessKey", "YOUR_SECRET_ACCESSS_KEY")

// where spark is SparkSession instance

对于 Spark scala：

spark.sparkContext.hadoopConfiguration.set("fs.s3.awsAccessKeyId", "ACCESS_KEY")
spark.sparkContext.hadoopConfiguration.set("fs.s3.awsSecretAccessKey", "YOUR_SECRET_ACCESSS_KEY")

【参考方案13】：

使用 s3a 而不是 s3n。我在 Hadoop 工作中遇到了类似的问题。从 s3n 切换到 s3a 后，它工作了。

例如

s3a://myBucket/myFile1.log