hadoop 尝试从EC2读取Spark文件列表时,方案“s3”没有文件系统

vi4fp9gy  于 2022-11-01  发布在  Hadoop
关注(0)|答案(1)|浏览(222)

我试图提供一个文件列表,以便spark在需要时读取(这就是为什么我不愿意使用boto或其他工具将所有文件预下载到示例中,然后才“本地”读取到spark中)。

os.environ['PYSPARK_SUBMIT_ARGS'] = "--master local[3] pyspark-shell"
spark = SparkSession.builder.getOrCreate()
spark.sparkContext._jsc.hadoopConfiguration().set('fs.s3.access.key', credentials['AccessKeyId'])
spark.sparkContext._jsc.hadoopConfiguration().set('fs.s3.access.key', credentials['SecretAccessKey'])
spark.read.json(['s3://url/3521.gz', 's3://url/2734.gz'])

我不知道local[3]是关于什么的,但是如果没有这个--master标志,我会得到另一个异常:
Exception: Java gateway process exited before sending the driver its port number.
现在,我得到这个:

Py4JJavaError: An error occurred while calling o37.json.
: org.apache.hadoop.fs.UnsupportedFileSystemException: No FileSystem for scheme "s3"
...

不确定这里的o37.json指的是什么,但这可能无关紧要。
我看到了一堆类似问题的答案,这些答案建议添加以下标志:

os.environ['PYSPARK_SUBMIT_ARGS'] = "--packages com.amazonaws:aws-java-sdk-pom:1.10.34,org.apache.hadoop:hadoop-aws:2.7.2 pyspark-shell"

我尝试将其前置并附加到另一个标志,但不起作用。
就像我在其他答案和互联网上其他地方看到的许多变体一样(有不同的软件包和版本),例如:

os.environ['PYSPARK_SUBMIT_ARGS'] = '--master local[*] --jars spark-snowflake_2.12-2.8.4-spark_3.0.jar,postgresql-42.2.19.jar,mysql-connector-java-8.0.23.jar,hadoop-aws-3.2.2,aws-java-sdk-bundle-1.11.563.jar'
w46czmvw

w46czmvw1#

从S3阅读文件的典型示例如下-
另外,您可以仔细检查这个答案,以确保最小化的结构和必要的模块都在适当的位置- java.io.IOException:没有用于方案的文件系统:第三节

读取 parquet - S3

os.environ['PYSPARK_SUBMIT_ARGS'] = "--packages=com.amazonaws:aws-java-sdk-bundle:1.11.375,org.apache.hadoop:hadoop-aws:3.2.0 pyspark-shell"

sc = SparkContext.getOrCreate()
sql = SQLContext(sc)

hadoop_conf = sc._jsc.hadoopConfiguration()

config = configparser.ConfigParser()

config.read(os.path.expanduser("~/.aws/credentials"))

access_key = config.get("****", "aws_access_key_id")
secret_key = config.get("****", "aws_secret_access_key")
session_key = config.get("****", "aws_session_token")

hadoop_conf.set("fs.s3.aws.credentials.provider", "org.apache.hadoop.fs.s3.TemporaryAWSCredentialsProvider")
hadoop_conf.set("fs.s3a.access.key", access_key)
hadoop_conf.set("fs.s3a.secret.key", secret_key)
hadoop_conf.set("fs.s3a.session.token", session_key)

s3_path = "s3a://xxxx/yyyy/zzzz/"

sparkDF = sql.read.parquet(s3_path)

相关问题