hadoop 2.7.7 的 AWS-Java-SDK 版本问题

Posted 2023-04-15

【中文标题】hadoop 2.7.7 的 AWS-Java-SDK 版本问题

【英文标题】：AWS-Java-SDK version issue with hadoop 2.7.7

【发布时间】：2019-01-02 12:48:26

【问题描述】：

我正在运行一个简单的 spark 应用程序从 rdd 中的 s3 获取文件并将其转换为 pyspark 数据帧：

data=sc.textFile('s3a://bigdata-plat/churnData/transaction.csv')
df=data.toDF()

也试过了，

data=sc.textFile('s3a://bigdata-plat/churnData/transaction.csv')
df = data.map(lambda x: Row(**f(x))).toDF()

但它给出了同样的错误：

java.lang.NoSuchMethodError: com.amazonaws.services.s3.transfer.TransferManager.<init>(Lcom/amazonaws/services/s3/AmazonS3;Ljava/util/concurrent/ThreadPoolExecutor;)V
        at org.apache.hadoop.fs.s3a.S3AFileSystem.initialize(S3AFileSystem.java:287)
        at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2667)
        at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:93)
        at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2701)
        at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2683)
        at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:372)
        at org.apache.hadoop.fs.Path.getFileSystem(Path.java:295)
        at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:258)
        at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:229)
        at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:315)
        at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:204)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:253)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:251)
        at scala.Option.getOrElse(Option.scala:121)
        at org.apache.spark.rdd.RDD.partitions(RDD.scala:251)
        at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:49)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:253)
        at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:251)
        at scala.Option.getOrElse(Option.scala:121)
        at org.apache.spark.rdd.RDD.partitions(RDD.scala:251)
        at org.apache.spark.api.java.JavaRDDLike$class.partitions(JavaRDDLike.scala:61)
        at org.apache.spark.api.java.AbstractJavaRDDLike.partitions(JavaRDDLike.scala:45)
        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:498)
        at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
        at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
        at py4j.Gateway.invoke(Gateway.java:282)
        at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
        at py4j.commands.CallCommand.execute(CallCommand.java:79)
        at py4j.GatewayConnection.run(GatewayConnection.java:238)
        at java.lang.Thread.run(Thread.java:745)

我将 spark 上下文设置为：

pyspark.SparkConf().setAll([('spark.eventLog.dir', '/spark/logs/tmp/')
            ,("spark.driver.extraClassPath","path/hadoop-common-2.7.7.jar:/path/aws-java-sdk-1.10.6.jar:path/hadoop-aws-2.7.7.jar")
            ,("spark.hadoop.fs.s3a.impl","org.apache.hadoop.fs.s3a.S3AFileSystem")
                        ,("fs.s3a.access.key", AWS_ACCESS_KEY)
            ,("fs.s3a.secret.key", AWS_SECRET_KEY)])

我正在使用 Spark 2.4，hadoop 2.7.7

aws-java-sdk versions tried : 1.11.440, 1.11.75, 1.10.6, 1.7.4

我无法理解这是依赖问题吗？ 或者我缺少任何其他需要的 jar 文件？ 有什么解决办法吗？

【参考方案1】：

AWS 开发工具包非常脆弱。您需要使用构建 hadoop-aws 连接器的 AWS 开发工具包的确切版本，否则无法正确链接或以各种方式失败。

有关您需要的文件，请参阅： https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-aws/2.7.7

PS，不需要设置 spark.hadoop.fs.s3a.impl。该绑定是自动的

【讨论】：

我尝试使用设置了我的 hadoop 版本的 aws-java-sdk-1.7.4。但同样的错误也出现在这个版本 aws-java-sdk-bundle is not available 并且没有 aws-java-sdk-bundle 它给出以下错误 :: com.amazonaws.AmazonClientException: Unable to load AWS credentials from any provider in com.amazonaws.auth.AWSCredentialsProviderChain.getCredentials(AWSCredentialsProviderChain.java:117) 处的链

1.避免捆绑。 Hadoop 2.9+ 进入了完整的阴影包。 AWS 开发工具包的每次更新都很麻烦；通常至少要修复 1+ 回归，提交给 AWS 等。 2. 身份验证是一个单独的问题。要诊断这些，请从 cloudstore 开始，在 hadoop 命令行上进行一些基本的文件系统操作。如果你足够努力，你也可以使用 Spark 中的代码。