Pyspark 寫入 minio (s3) 分區失敗

Question

我正在使用 pyspark 3.1.2 將文件寫入 Minio S3。 我正在使用分區，因此數據應存儲在 batch_id 中，例如：

s3a://0001/transactions/batch_id=1 s3a://0001/transactions/batch_id=2 等等。

寫入本地文件系統時一切正常。

但是，當我將 S3 與分區提交程序一起使用時（ https://hadoop.apache.org/docs/r3.1.1/hadoop-aws/tools/hadoop-aws/committers.ZFC35FDC70D5FC69DE38 ）

帶選項：“partitionOverwriteMode”=“static” 例如： data_frame.write.mode("overwrite").partitionBy("batch_id").orc(output_path)

包括“事務”在內的整個路徑都被覆蓋（而不是只覆蓋給定的分區）。

設置：

        spark_session.sparkContext._jsc.hadoopConfiguration().set(
            "fs.s3a.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem"
        )
        spark_session.sparkContext._jsc.hadoopConfiguration().set(
            "fs.s3a.path.style.access", "true"
        )
        spark_session.sparkContext._jsc.hadoopConfiguration().set(
            "fs.s3a.committer.magic.enabled", "true"
        )
        spark_session.sparkContext._jsc.hadoopConfiguration().set(
            "fs.s3a.committer.name", "partitioned"
        )
        spark_session.sparkContext._jsc.hadoopConfiguration().set(
            "fs.s3a.committer.staging.conflict-mode", "replace"
        )
        spark_session.sparkContext._jsc.hadoopConfiguration().set(
            "fs.s3a.committer.staging.abort.pending.uploads", "true"
        )

Answer 1

所以我添加了更多的jars：

spark-hadoop-cloud_2.13-3.2.0.jar

並遵循火花雲集成指南：[（https://spark.apache.org/docs/latest/cloud-integration.html）][1]

歸結為添加：

"spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version", "2"
"spark.sql.sources.commitProtocolClass", "org.apache.spark.internal.io.cloud.PathOutputCommitProtocol"
"spark.sql.parquet.output.committer.class", "org.apache.spark.internal.io.cloud.BindingParquetOutputCommitter"

並切換回鑲木地板。 現在我可以在不覆蓋孔路徑的情況下覆蓋分區。