hadoop - 如何在 aws us-east-2 上将 s3a 与 spark 2.1.0 一起使用？

Question

背景

我一直在努力为自己获取一个灵活的设置，以便在 aws 上使用 spark 和 docker swarm 模式。我一直在使用的 docker 镜像配置为使用最新的 spark，当时是 2.1.0 和 Hadoop 2.7.3，可在 jupyter/pyspark-notebook 获得。 .

这是有效的，我一直在测试我计划使用的各种连接路径。我遇到的问题是与 s3 交互的正确方式的不确定性。我一直在跟踪如何使用 s3a 为 spark 提供依赖项以连接到 aws s3 上的数据。协议(protocol)，对比 s3n协议(protocol)。

我终于找到了 hadoop aws guide并认为我正在关注如何提供配置。但是，我仍然收到 400 Bad Request错误，如 this question 中所示描述了如何通过定义端点来修复它，我已经完成了。

我在 us-east-2 上与标准配置相去甚远，让我不确定 jar 文件是否有问题。为了消除区域问题，我在常规 us-east-1 上进行了备份区域，我终于能够连接到 s3a .因此，我已将问题缩小到该地区，但我认为我正在做在其他地区开展业务所需的一切。

问题

在 spark 中使用 hadoop 配置变量的正确方法是什么 us-east-2 ？

注意:这个例子使用本地执行模式来简化事情。

import os
import pyspark

我可以在创建上下文后在笔记本的控制台中看到这些下载，添加这些使我从完全崩溃到收到错误请求错误。

os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.amazonaws:aws-java-sdk:1.7.4,org.apache.hadoop:hadoop-aws:2.7.3 pyspark-shell'

conf = pyspark.SparkConf('local[1]')
sc = pyspark.SparkContext(conf=conf)
sql = pyspark.SQLContext(sc)

对于 aws 配置，我尝试了以下方法和仅使用上面的 conf ，并做 conf.set(spark.hadoop.fs.<config_string>, <config_value>)模式等同于我在下面所做的，除了这样做是我在 conf 上设置值在创建 Spark 上下文之前。

hadoop_conf = sc._jsc.hadoopConfiguration()

hadoop_conf.set("fs.s3.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem")
hadoop_conf.set("fs.s3a.endpoint", "s3.us-east-2.amazonaws.com")
hadoop_conf.set("fs.s3a.access.key", access_id)
hadoop_conf.set("fs.s3a.secret.key", access_key)

需要注意的一件事是，我还尝试了 us-east-2 的替代端点的 s3-us-east-2.amazonaws.com .

然后我从 s3 读取了一些 Parquet 数据。

df = sql.read.parquet('s3a://bucket-name/parquet-data-name')
df.limit(10).toPandas()

同样，在将 EC2 实例移动到 us-east-1 并注释掉端点配置后，以上内容对我有用。对我来说，似乎由于某种原因没有使用端点配置。

Answer 1

us-east-2 是 V4 身份验证 S3 实例，因此，正如您尝试的那样，必须设置 fs.s3a.endpoint 值。

如果它没有被拾取，则假设您设置的配置不是用于访问存储桶的配置。知道 Hadoop 通过 URI 缓存文件系统实例，即使配置发生变化。第一次尝试访问文件系统修复、配置，即使它缺少身份验证详细信息也是如此。

一些策略

1. 设置值为spark-defaults
2. 使用您刚刚创建的配置，尝试通过调用 Filesystem.get(new URI("s3a://bucket-name/parquet-data-name", myConf) 显式加载文件系统 将返回具有该配置的存储桶(除非它已经存在)。不过我不知道如何在 .py 中进行调用。
3. 将属性 "fs.s3a.impl.disable.cache" 设置为 true 以在 get 命令之前绕过缓存

添加更多关于 BadAuth 错误的诊断以及 wiki 页面，是 S3A 第三阶段列出的功能。如果您要添加它，连同测试，我可以对其进行审核并将其放入