无法使用spark读取s3存储桶

Question

val spark = SparkSession
        .builder()
        .appName("try1")
        .master("local")
        .getOrCreate()

val df = spark.read
        .json("s3n://BUCKET-NAME/FOLDER/FILE.json")
        .select($"uid").show(5)

我已将AWS_ACCESS_KEY_ID，AWS_SECRET_ACCESS_KEY作为环境变量。 尝试从S3读取时，我面临以下错误。

Exception in thread "main" org.apache.hadoop.fs.s3.S3Exception: org.jets3t.service.S3ServiceException: S3 HEAD request failed for '/FOLDER%2FFILE.json' - ResponseCode=400, ResponseMessage=Bad Request

我怀疑错误是由于某些内部函数将“/”转换为“％2F”引起的，因为错误显示'/FOLDER%2FFILE.json'而不是'/FOLDER/FILE.json'

Answer 1

如果您不告诉它，您的spark（jvm）应用程序无法读取环境变量，因此请快速解决：

spark.sparkContext
     .hadoopConfiguration.set("fs.s3n.awsAccessKeyId", awsAccessKeyId)
spark.sparkContext
     .hadoopConfiguration.set("fs.s3n.awsSecretAccessKey", awsSecretAccessKey)

您还需要确定s3端点：

spark.sparkContext
     .hadoopConfiguration.set("fs.s3a.endpoint", "<<ENDPOINT>>");

要了解有关什么是AWS S3 Endpoint的更多信息，请参阅以下文档：

• AWS区域和端点 。

• 使用Amazon S3存储桶 。