- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
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。
最佳答案
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
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。"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
关于hadoop - 如何在 aws us-east-2 上将 s3a 与 spark 2.1.0 一起使用?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43454117/
我是一名优秀的程序员,十分优秀!