【问题标题】:Pyspark - Unable to read the data from AWS S3 bucketPyspark - 无法从 AWS S3 存储桶读取数据
【发布时间】:2022-01-13 15:09:28
【问题描述】:

我正在尝试使用 Jupyterhub 上的 Pyspark 使用以下代码从 S3 存储桶中读取数据

config = pyspark.SparkConf().setAll([("spark.executor.instances", "4")\
,('spark.executor.memory', '50g')\
, ('spark.executor.cores', '4')\
, ('spark.cores.max', '48')\
, ('spark.driver.memory','50g')\
, ("spark.driver.maxResultSize", "35g")                             
, ("spark.jars", "/home/aws_jars/hadoop-aws-2.7.3.jar,/home/aws_jars/aws-java-sdk-1.11.30.jar")])

spark = SparkSession.builder.config(conf=config).getOrCreate()

# connect to AWS with boto3
sess = boto3.Session(region_name='us-east-1')
credentials = sess.get_credentials()
credentials = credentials.get_frozen_credentials()

sc=spark.sparkContext
hadoop_conf=sc._jsc.hadoopConfiguration()

hadoop_conf.set("fs.s3a.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem")
hadoop_conf.set("fs.s3a.awsAccessKeyId", credentials.access_key)
hadoop_conf.set("fs.s3a.awsSecretAccessKey", credentials.secret_key)

df = spark.read.load('s3a://ml-bucket/spark-project/data/D2021117_BI_1982.txt',format ="csv",inferSchema="true")
df.show()

这是我得到的例外。

Py4JJavaError: An error occurred while calling o63.load.
: java.lang.NoClassDefFoundError: com/amazonaws/AmazonServiceException

这是服务器上的版本

Hadoop 2.7.3
Python 3.6.12
Spark Version 3.1.2
openjdk version 1.8.0_312

我尝试使用不同的 hadoop-aws 和 aws-jdk 版本对其进行故障排除。但是,我无法让它工作。我也可以使用 Pandas 阅读它,但不能使用 Pysaprk。我在这里遗漏了什么吗?

更新

这是我将 aws-java-sdk-1.11.30 替换为 aws-java-sdk-bundle-1.11.901 后的完整错误日志

Py4JJavaError: An error occurred while calling o59.load.
: java.lang.IllegalArgumentException
    at java.util.concurrent.ThreadPoolExecutor.<init>(ThreadPoolExecutor.java:1314)
    at java.util.concurrent.ThreadPoolExecutor.<init>(ThreadPoolExecutor.java:1237)
    at org.apache.hadoop.fs.s3a.S3AFileSystem.initialize(S3AFileSystem.java:280)
    at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:3303)
    at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:124)
    at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:3352)
    at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:3320)
    at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:479)
    at org.apache.hadoop.fs.Path.getFileSystem(Path.java:361)
    at org.apache.spark.sql.execution.streaming.FileStreamSink$.hasMetadata(FileStreamSink.scala:46)
    at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:377)
    at org.apache.spark.sql.DataFrameReader.loadV1Source(DataFrameReader.scala:325)
    at org.apache.spark.sql.DataFrameReader.$anonfun$load$3(DataFrameReader.scala:307)
    at scala.Option.getOrElse(Option.scala:189)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:307)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:239)
    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:748)

【问题讨论】:

    标签: python amazon-web-services apache-spark hadoop pyspark


    【解决方案1】:

    试试aws-java-sdk-bundle。它具有适用于 AWS 服务的所有类的 SDK。

    https://mvnrepository.com/artifact/com.amazonaws/aws-java-sdk-bundle

    注意:aws-java-sdk (https://mvnrepository.com/artifact/com.amazonaws/aws-java-sdk/1.12.126) 实际上没有任何 java 类(如果你提取你会发现)。它具有所有 Java SDK 类作为依赖项,因此您需要编译以获取所有依赖项。或者,你也可以直接下载上面提到的aws-java-sdk-bundle,就可以了。

    【讨论】:

    • 知道匹配的版本号吗?
    • 我试过 1.12.3。但是,我仍然得到 Py4JJavaError:调用 o64.load 时发生错误。 : java.util.concurrent.ThreadPoolExecutor.(ThreadPoolExecutor.java:1314) 处的 java.lang.IllegalArgumentException
    • 可以分享完整的错误日志吗?
    • 你试过完整的 200 MB 包对吗?
    • 您使用的是哪个版本的 spark ?
    【解决方案2】:

    您需要在 Spark 应用程序中提供一些 jar 文件

    火花提交--jars aws-java-sdk-s3-1.12.128.jar, hadoop-aws-3.2.2.jar ...

    对于aws-java-sdk,您不需要整个 AWS 服务,只需要 S3 服务。

    对于hadoop-aws,您需要知道您使用的是哪个版本的 Hadoop。

    【讨论】:

      猜你喜欢
      • 2018-10-11
      • 1970-01-01
      • 1970-01-01
      • 1970-01-01
      • 2018-11-07
      • 1970-01-01
      • 2018-01-09
      • 2021-07-23
      • 2017-11-19
      相关资源
      最近更新 更多