从客户端应用程序写入的 Google Dataproc 将集群的内部 IP 用于 Datanodes

Question

我在 Google Cloud 上设置了一个 Dataproc 集群。 它已启动并正在运行，我可以访问 HDFS 并从“浏览器”控制台中的 SSH 复制文件。所以问题不在 Dataproc 端。

我现在正在使用Pentaho（ELT软件）复制文件。 Pentaho 需要访问主节点和数据节点。

我收到以下错误消息：

456829 [Thread-143] WARN org.apache.hadoop.hdfs.DataStreamer - Abandoning BP-1097611520-10.132.0.7-    1611589405814:blk_1073741911_1087
456857 [Thread-143] WARN org.apache.hadoop.hdfs.DataStreamer - Excluding datanode DatanodeInfoWithStorage[10.132.0.9:9866,DS-6586e84b-cdfd-4afb-836a-25348a5080cb,DISK]
456870 [Thread-143] WARN org.apache.hadoop.hdfs.DataStreamer - DataStreamer Exception
org.apache.hadoop.ipc.RemoteException(java.io.IOException): File /user/jmonteilx/pentaho-shim-test-file.test could only be replicated to 0 nodes instead of minReplication (=1).  There are 2 datanode(s) running and 2 node(s) are excluded in this operation.
    at org.apache.hadoop.hdfs.server.blockmanagement.BlockManager.chooseTarget4NewBlock(BlockManager.java:1819)
    at org.apache.hadoop.hdfs.server.namenode.FSDirWriteFileOp.chooseTargetForNewBlock(FSDirWriteFileOp.java:265)
    at org.apache.hadoop.hdfs.server.namenode.FSNamesystem.getAdditionalBlock(FSNamesystem.java:2569)
    at org.apache.hadoop.hdfs.server.namenode.NameNodeRpcServer.addBlock(NameNodeRpcServer.java:846)
    at org.apache.hadoop.hdfs.protocolPB.ClientNamenodeProtocolServerSideTranslatorPB.addBlock(ClientNamenodeProtocolServerSideTranslatorPB.java:510)
    at org.apache.hadoop.hdfs.protocol.proto.ClientNamenodeProtocolProtos$ClientNamenodeProtocol$2.callBlockingMethod(ClientNamenodeProtocolProtos.java)
    at org.apache.hadoop.ipc.ProtobufRpcEngine$Server$ProtoBufRpcInvoker.call(ProtobufRpcEngine.java:503)
    at org.apache.hadoop.ipc.RPC$Server.call(RPC.java:989)
    at org.apache.hadoop.ipc.Server$RpcCall.run(Server.java:871)
    at org.apache.hadoop.ipc.Server$RpcCall.run(Server.java:817)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:422)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1893)
    at org.apache.hadoop.ipc.Server$Handler.run(Server.java:2606)

日志中使用的IP地址是我在Dataproc中的第一个datanode的内部IP。 我需要使用外部 IP。

我的问题如下，

为此，需要更改客户端文件中的配置文件吗？

我试过了：

<property>    
        <name>dfs.client.use.datanode.hostname</name>    
        <value>true</value>
</property>

没有成功，非常感谢，

Answer 1

ETL 工具无法通过本地数据中心的外部 IP 访问 DataNode，因为您的防火墙规则可能会阻止来自 inte.net 的访问，或者您使用内部 IP 创建了 Dataproc 集群。

也就是说，允许从 inte.net 访问 HDFS 是一种安全风险。 默认情况下，Dataproc 集群不配置带 Kerberos 的安全身份验证，因此如果您决定向 inte.net 开放集群，您至少应该配置对它的安全访问。

首选解决方案是在本地和 GCP 集群之间建立 secure.network 连接，并通过它访问 HDFS。 您可以在GCP 文档中阅读有关此选项的更多信息。