【问题标题】:How to access azure block file system (abfss) from a standalone spark cluster如何从独立的 Spark 集群访问 azure 块文件系统 (abfss)
【发布时间】:2021-02-11 07:12:59
【问题描述】:

我需要在 Hadoop 3.2 中使用独立的 spark 集群 (2.4.7),我正在尝试通过 pyspark 访问 ADLS Gen2 存储。

我已经向我的 core-site.xml 添加了一个共享密钥,我可以像这样ls存储帐户:

hadoop fs -ls abfss://<container>@<storage_account>.dfs.core.windows.net/

但是当我尝试在 pyspark(使用 shell)中读取 json 文件时:

spark.conf.set("fs.azure.account.key.<<storageaccount>>.dfs.core.windows.net", "<<key>>")

spark.read.option("multiLine", True).option("mode", "PERMISSIVE").json("abfss://<container>@<storageaccount>.dfs.core.windows.net/example.json").show()

我收到以下错误:

WARN streaming.FileStreamSink: Error while looking for metadata directory.
  File "/opt/spark/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/opt/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o103.json.
: java.io.IOException: No FileSystem for scheme: abfss
        at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2660)
        at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2667)
        at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:94)
        at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2703)
        at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2685)
        at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:373)
        at org.apache.hadoop.fs.Path.getFileSystem(Path.java:295)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$org$apache$spark$sql$execution$datasources$DataSource$$checkAndGlobPathIfNecessary$1.apply(DataSource.scala:561)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$org$apache$spark$sql$execution$datasources$DataSource$$checkAndGlobPathIfNecessary$1.apply(DataSource.scala:559)
        at scala.collection.TraversableLike$$anonfun$flatMap$1.apply(TraversableLike.scala:241)
        at scala.collection.TraversableLike$$anonfun$flatMap$1.apply(TraversableLike.scala:241)
        at scala.collection.immutable.List.foreach(List.scala:392)
        at scala.collection.TraversableLike$class.flatMap(TraversableLike.scala:241)
        at scala.collection.immutable.List.flatMap(List.scala:355)
        at org.apache.spark.sql.execution.datasources.DataSource.org$apache$spark$sql$execution$datasources$DataSource$$checkAndGlobPathIfNecessary(DataSource.scala:559)
        at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:373)
        at org.apache.spark.sql.DataFrameReader.loadV1Source(DataFrameReader.scala:242)
        at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:230)
        at org.apache.spark.sql.DataFrameReader.json(DataFrameReader.scala:411)
        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)WARN: command not found

我还将SPARK_DIST_CLASSPATH 的HADOOP 库路径配置为指向$(hadoop classpath),并将hadoop-azure jar 复制到hadoop/common 文件夹。但是还是无法通过pyspark访问abfss。

我会在这里遗漏什么?

也试过答案given here

【问题讨论】:

  • 你能告诉我你是如何运行代码的吗?
  • @JimXu 使用 pyspark shell
  • 你是不是安装了spark,在命令行工具中输入pyspark然后运行代码?
  • @JimXu 正确,在命令行上...测试 spark 是否获取 hadoop 密钥配置和 abfs 驱动程序

标签: apache-spark hadoop pyspark azure-blob-storage azure-data-lake-gen2


【解决方案1】:

本文帮助您DIY: Apache Spark and ADLS Gen 2 support,确保您已按照所有必要步骤在 Apache Spark 上成功配置 ADLS gen2。

【讨论】:

  • 任何 hadoop 免费版本的 spark 都应该可以工作,但对我来说,这是有效的:Hadoop 3.2.1(3.2.0 的野生问题)和 spark 2.4.7。我还需要复制 apache-hive jar (scala 2.11) 以便 Livy 使用此设置
猜你喜欢
  • 1970-01-01
  • 2018-01-14
  • 1970-01-01
  • 2013-06-14
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多