Pyspark - 无法从 AWS S3 存储桶读取数据

Question

我正在尝试使用以下代码在 Jupyterhub 上使用 Pyspark 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。 我在这里错过了什么吗？

更新

这是我用 aws-java-sdk-bundle-1.11.901 替换 aws-java-sdk-1.11.30 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)

Answer 1

尝试使用aws-java-sdk-bundle 。 对我来说， aws-java-sdk-x.jar也不起作用。

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

Answer 2

您需要在 Spark 应用程序中提供一些 jars

spark-submit --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。