Spark 从 gcs object 读取作业卡住

Question

我正在尝试在本地读取带有火花作业的 object。 我之前在本地使用另一个 Spark 作业创建。 查看日志时，我没有看到任何奇怪的东西，并且在 spark UI 中，工作只是卡住了

在我开始读取作业之前，我将 spark 配置更新如下：

val hc = spark.sparkContext.hadoopConfiguration
hc.set("fs.gs.impl", "com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem")
hc.set("fs.AbstractFileSystem.gs.impl", "com.google.cloud.hadoop.fs.gcs.GoogleHadoopFS")
hc.set("fs.gs.project.id", credential.projectId)
hc.set("fs.gs.auth.service.account.enable", "true")
hc.set("fs.gs.auth.service.account.email", credential.email)
hc.set("fs.gs.auth.service.account.private.key.id", credential.keyId)
hc.set("fs.gs.auth.service.account.private.key", credential.key)

然后我就这样读

val path = "gs://mybucket/data.csv"
val options = Map("credentials" -> credential.base64ServiceAccount, "parentProject" -> credential.projectId)
spark.read.format("csv")
      .options(options)
      .load(path)

我的服务帐户具有这些权限，我确实添加了我能找到的 Object 存储的所有权限

Storage Admin
Storage Object Admin
Storage Object Creator
Storage Object Viewer

这就是我之前写的 object

val path = "gs://mybucket/data.csv"
val options = Map("credentials" -> credential.base64ServiceAccount, "parentProject" -> credential.projectId, "header" -> "true")
var writer = df.write.format("csv").options(options)
writer.save(path)

这些是我的依赖

Seq(
  "org.apache.spark" %% "spark-core" % "3.1.1",
  "org.apache.hadoop" % "hadoop-client" % "3.3.1",
  "com.google.cloud.spark" %% "spark-bigquery-with-dependencies" % "0.23.0",
  "com.google.cloud.bigdataoss" % "gcs-connector" % "hadoop3-2.2.4",
  "com.google.cloud" % "google-cloud-storage" % "2.2.1"
)

知道为什么写入会成功但读取会像这样卡住吗？

Answer 1

我使用的依赖项版本不是最新的。 一旦我将谷歌连接器依赖项更新到最新版本（2021 年 12 月），我就可以从谷歌存储中读取和写入。