使用 Spark Local 从 GCS 加载数据
Posted
技术标签:
【中文标题】使用 Spark Local 从 GCS 加载数据【英文标题】:Loading data from GCS using Spark Local 【发布时间】:2019-03-08 08:10:50 【问题描述】:出于测试目的,我正在尝试从本地计算机上的 GCS 存储桶中读取数据。我想对云中的一些数据进行采样 我已经下载了GCS Hadoop Connector JAR。
并设置sparkConf
如下:
conf = SparkConf() \
.setMaster("local[8]") \
.setAppName("Test") \
.set("spark.jars", "path/gcs-connector-hadoop2-latest.jar") \
.set("spark.hadoop.google.cloud.auth.service.account.enable", "true") \
.set("spark.hadoop.google.cloud.auth.service.account.json.keyfile", "path/to/keyfile")
sc = SparkContext(conf=conf)
spark = SparkSession.builder \
.config(conf=sc.getConf()) \
.getOrCreate()
spark.read.json("gs://gcs-bucket")
我也试过这样设置conf:
sc._jsc.hadoopConfiguration().set("fs.AbstractFileSystem.gs.impl", "com.google.cloud.hadoop.fs.gcs.GoogleHadoopFS")
sc._jsc.hadoopConfiguration().set("fs.gs.auth.service.account.json.keyfile", "path/to/keyfile")
sc._jsc.hadoopConfiguration().set("fs.gs.auth.service.account.enable", "true")
我通过 PIP 使用 PySpark 安装并使用 IntelliJ 的单元测试模块运行代码
py4j.protocol.Py4JJavaError: An error occurred while calling o128.json.
: java.io.IOException: No FileSystem for scheme: gs
我该怎么办?
谢谢!
【问题讨论】:
您好,您的问题解决了吗? 【参考方案1】:要解决这个问题,除了你已经配置的属性,你还需要为fs.gs.impl
属性添加配置:
sc._jsc.hadoopConfiguration().set("fs.gs.impl", "com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem")
【讨论】:
以上是关于使用 Spark Local 从 GCS 加载数据的主要内容,如果未能解决你的问题,请参考以下文章
优化 BigQuery 资源的使用,使用 Google Dataflow 从 GCS 加载 200 万个 JSON 文件
将 CSV 从 GCS 批量加载到 BigQuery 时,表数据是增量查看还是仅在所有文件加载后才可查看?