PySpark 通过 Dataproc + SSL 连接到 Cloud SQL

Question

我有一个在数据库中存储数据的 Cloud SQL 实例，并且我已选中此 Cloud SQL 实例的选项以阻止所有未加密的连接。当我选择此选项时，我将获得三个 SSL 证书——一个服务器证书、一个客户端公钥和一个客户端私钥（三个单独的 .pem 文件）（link to relevant CloudSQL+SSL documentation）。这些证书文件用于建立与 Cloud SQL 实例的加密连接。

我能够使用 MySQL 从命令行成功连接到 Cloud SQL，使用 --ssl-ca、--ssl-cert 和 --ssl-key 选项分别指定服务器证书、客户端公钥和客户端私钥：

mysql -uroot -p -h <host-ip-address> \
--ssl-ca=server-ca.pem \
--ssl-cert=client-cert.pem \
--ssl-key=client-key.pem

我现在正在尝试运行一个连接到此 Cloud SQL 实例的 PySpark 作业，以提取数据进行分析。 PySpark 作业与谷歌云培训团队提供的this example 基本相同。在上述脚本的line 39 上，有一个与 Cloud SQL 实例建立的 JDBC 连接：

jdbcDriver = 'com.mysql.jdbc.Driver'
jdbcUrl = 'jdbc:mysql://%s:3306/%s?user=%s&password=%s' % (CLOUDSQL_INSTANCE_IP, CLOUDSQL_DB_NAME, CLOUDSQL_USER, CLOUDSQL_PWD)

但这不会进行加密连接，也不会提供三个证书文件。如果我与 Cloud SQL 实例的连接未加密已禁用，我会看到以下错误消息：

17/09/21 06:23:21 INFO org.spark_project.jetty.util.log: Logging initialized @5353ms
17/09/21 06:23:21 INFO org.spark_project.jetty.server.Server: jetty-9.3.z-SNAPSHOT
17/09/21 06:23:21 INFO org.spark_project.jetty.server.Server: Started @5426ms
17/09/21 06:23:21 INFO org.spark_project.jetty.server.AbstractConnector: Started ServerConnector@74af54ac{HTTP/1.1,[http/1.1]}{0.0.0.0:4040}

[...snip...]

py4j.protocol.Py4JJavaError: An error occurred while calling o51.load.
: java.sql.SQLException: Access denied for user 'root'@'<cloud-sql-instance-ip>' (using password: YES)

而如果我与 Cloud SQL 实例的未加密连接启用，则作业运行良好。 （这表明问题不在于 Cloud SQL API 权限 - 我运行 PySpark 作业的集群绝对有权访问 Cloud SQL 实例。）

我发现的涉及 SSL add a &useSSL=true or &encrypt=true but do not point to external certificates 的 JDBC 连接字符串；或者，他们在某种特定于 Java 的过程中使用keystore。如何从上面链接的 Python 脚本修改 JDBC 连接字符串，以便将 JDBC（通过 PySpark）指向服务器证书和客户端公钥/私钥（server-ca.pem、client-cert.pem）的位置, 和 client-key.pem) 在磁盘上？

Answer 1

Dataproc 集群上有一个 handy initialization action for configuring the CloudSQL Proxy。默认情况下，它假定您打算将 CloudSQL 用于 Hive 元存储，但如果您下载它并自定义它设置 ENABLE_CLOUD_SQL_METASTORE=0，然后将其重新上传到您自己的存储桶中以用作您的自定义初始化操作，那么您应该自动获取CloudSQL 代理安装在您的所有节点上。然后你只需将你的mysql连接字符串设置为指向localhost而不是真正的CloudSQL IP。

指定元数据标志时，如果您在元数据中禁用了additional-cloud-sql-instances 而不是 hive-metastore-instance：

--metadata "additional-cloud-sql-instances=<PROJECT_ID>:<REGION>:<ANOTHER_INSTANCE_NAME>=tcp<PORT_#>`

在这种情况下，您可以选择使用脚本默认为 Metastore 使用的相同端口分配，即端口 3306。