我正在嘗試使用以下代碼在 Jupyterhub 上使用 Pyspark 從 S3 存盤桶讀取資料
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()
這是我得到的例外。
Py4JJavaError: An error occurred while calling o63.load.
: java.lang.NoClassDefFoundError: com/amazonaws/AmazonServiceException
這是服務器上的版本
Hadoop 2.7.3
Python 3.6.12
Spark Version 3.1.2
openjdk version 1.8.0_312
我嘗試使用不同的 hadoop-aws 和 aws-jdk 版本對其進行故障排除。但是，我無法讓它發揮作用。我也可以使用 Pandas 讀取它，但不能使用 Pysaprk。我在這里錯過了什么嗎？
更新
這是我將 aws-java-sdk-1.11.30 替換為 aws-java-sdk-bundle-1.11.901 后的完整錯誤日志
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)
uj5u.com熱心網友回復：
嘗試使用aws-java-sdk-bundle. 它具有適用于 AWS 服務的所有類的 SDK。
https://mvnrepository.com/artifact/com.amazonaws/aws-java-sdk-bundle
注：aws-java-sdk（https://mvnrepository.com/artifact/com.amazonaws/aws-java-sdk/1.12.126）卻沒有任何Java類（如果你解壓，你會發現）。它具有所有 java SDK 類作為依賴項，因此您需要編譯以獲取所有依賴項。或者，您可以直接下載aws-java-sdk-bundle上面提到的內容，一切順利。
uj5u.com熱心網友回復：
您需要在 Spark 應用程式中提供一些 jars
spark-submit --jars aws-java-sdk-s3-1.12.128.jar , hadoop-aws-3.2.2.jar ...
對于aws-java-sdk，您不需要整個 AWS 服務，只需要 S3 服務。
對于hadoop-aws，您需要知道您在 Spark 中使用的是哪個版本的 Hadoop。
轉載請註明出處，本文鏈接：https://www.uj5u.com/gongcheng/378889.html
標籤：Python 亚马逊网络服务 阿帕奇火花 Hadoop 火花