python - 提供 blob 类型以从 PySpark 读取 Azure 追加 blob

Question

最终目标是能够将 Azure 容器中的数据读取到 PySpark 数据帧中。

到目前为止的步骤

到目前为止我所遵循的步骤:

• 编写此代码

  spark = SparkSession(SparkContext())
  spark.conf.set(
      "fs.azure.account.key.%s.blob.core.windows.net" % AZURE_ACCOUNT_NAME,
      AZURE_ACCOUNT_KEY
  )
  spark.conf.set(
      "fs.wasbs.impl",
      "org.apache.hadoop.fs.azure.NativeAzureFileSystem"
  )
  
  container_path = "wasbs://%s@%s.blob.core.windows.net" % (
      AZURE_CONTAINER_NAME, AZURE_ACCOUNT_NAME
  )
  blob_folder = "%s/%s" % (container_path, AZURE_BLOB_NAME)
  df = spark.read.format("text").load(blob_folder)
  print(df.count())
  

  • 设置对我的 Azure 容器的公共(public)访问和匿名访问。
  • 添加了两个 jar hadoop-azure-2.7.3.jar和azure-storage-2.2.0.jar到路径。

问题

但现在我遇到了这个错误:Caused by: com.microsoft.azure.storage.StorageException: Incorrect Blob type, please use the correct Blob type to access a blob on the server. Expected BLOCK_BLOB, actual UNSPECIFIED. 。我无法找到任何谈论/解决此问题的内容。我发现的最接近的是 this这不起作用/已经过时了。

编辑

我发现azure-storage-2.2.0.jar不支持APPEND_BLOB 。我升级到azure-storage-4.0.0.jar它将错误从 Expected BLOCK_BLOB, actual UNSPECIFIED. 更改为至Expected BLOCK_BLOB, actual APPEND_BLOB. 。有谁知道如何传递期望的正确类型？

有人可以帮我解决这个问题吗？

我对使用 Azure 的专业知识很少，但我认为读取和创建 Spark 数据帧应该不会这么困难。我做错了什么？

Answer 1

您正在尝试读取 WASB 不支持的追加 blob。

我认为你应该尝试使用 abfss，它确实支持它。但我不知道在自定义 Spark 环境中使用会有多困难。

例如，以下是我们如何使用 PySpark 在 Databricks Notebook 中执行此操作:

df = spark.read.format("csv").load("abfss://<container-name>@<storage-account-name>.dfs.core.windows.net/<path-to-data>")

希望这能有所帮助，你的帖子已经很老了，但在使用 abfss 之前我确实遇到了同样的问题......所以希望它能对其他人有所帮助。