方案没有文件系统：s3 with pyspark

Question

我正在尝试使用 Spark 从 S3 读取 txt 文件，但出现此错误：

No FileSystem for scheme: s3

这是我的代码：

from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName("first")
sc = SparkContext(conf=conf)
data = sc.textFile("s3://"+AWS_ACCESS_KEY+":" + AWS_SECRET_KEY + "@/aaa/aaa/aaa.txt")

header = data.first()

这是完整的回溯：

An error occurred while calling o25.partitions.
: java.io.IOException: No FileSystem for scheme: s3
    at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2660)
    at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2667)
    at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:94)
    at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2703)
    at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2685)
    at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:373)
    at org.apache.hadoop.fs.Path.getFileSystem(Path.java:295)
    at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:258)
    at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:229)
    at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:315)
    at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:194)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:252)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:250)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:250)
    at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:252)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:250)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:250)
    at org.apache.spark.api.java.JavaRDDLike$class.partitions(JavaRDDLike.scala:61)
    at org.apache.spark.api.java.AbstractJavaRDDLike.partitions(JavaRDDLike.scala:45)
    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:280)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:214)
    at java.lang.Thread.run(Thread.java:748)

我该如何解决这个问题？

Answer 1

如果您使用的是本地计算机，则可以使用 boto3:

s3 = boto3.resource('s3')
# get a handle on the bucket that holds your file
bucket = s3.Bucket('yourBucket')
# get a handle on the object you want (i.e. your file)
obj = bucket.Object(key='yourFile.extension')
# get the object
response = obj.get()
# read the contents of the file and split it into a list of lines
lines = response[u'Body'].read().split('\n')

（不要忘记设置您的 AWS S3 凭证）。

如果您使用 AWS 虚拟机 (EC2)，另一个干净的解决方案是 向 EC2 授予 S3 权限并使用以下命令启动 pyspark：

pyspark --packages com.amazonaws:aws-java-sdk-pom:1.10.34,org.apache.hadoop:hadoop-aws:2.7.2

如果添加其他包，请确保格式为：'groupId:artifactId:version'，并且包之间用逗号分隔。

如果您使用 Jupyter Notebooks 中的 pyspark，这将有效：

import os
import pyspark
os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.amazonaws:aws-java-sdk-pom:1.10.34,org.apache.hadoop:hadoop-aws:2.7.2 pyspark-shell'
from pyspark.sql import SQLContext
from pyspark import SparkContext
sc = SparkContext()
sqlContext = SQLContext(sc)
filePath = "s3a://yourBucket/yourFile.parquet"
df = sqlContext.read.parquet(filePath) # Parquet file read example

Answer 2

关于需要指定 Hadoop <-> AWS 依赖项，上述答案是正确的。

答案不包括较新版本的 Spark，因此我将发布对我有用的任何内容，特别是当 Spark 升级到 Hadoop 3.0 时，它已经发生了变化。

火花3.0.3

Spark 3.2.x
• ：

  --packages

org.apache.hadoop:hadoop-aws:2.10.2,org.apache.hadoop:hadoop-client:2.10.2
• ：

  --exclude-packages

星火3.2+

现在它与spark一起发布，所以请使用与你的spark相同的版本

com.google.guava:guava
• ：

  --packages

根据

Spark文档

根据

spark 文档

，您应该使用 org.apache.spark:spark-hadoop-cloud_2.12:3.2.0 库。问题是这个库不存在于

central maven 存储库

中。 如何设置额外的依赖？

在

org.apache.spark:hadoop-cloud_2.12:<SPARK_VERSION>

使用

spark-submit

和

--packages

参数在

--exclude-packages

使用

SparkSession.builder

和

spark.jars.packages

Spark 配置spark.jars.excludes

spark = (
    SparkSession
    .builder
    .config("spark.jars.packages", "org.apache.hadoop:hadoop-aws:2.10.2,org.apache.hadoop:hadoop-client:2.10.2")
    .config("spark.jars.excludes", "com.google.guava:guava")
    .getOrCreate()
)

vs

s3

上面将

s3a

添加到了 Spark 的类路径中。当您设置此 Spark 配置时，不仅

S3AFileSystem

而且

s3a://...

路径也将起作用：

s3://...
• ：

  spark.hadoop.fs.s3.impl

  使用
org.apache.hadoop.fs.s3a.S3AFileSystem

时，

set 正在使用 via 

SparkSession.builder.config()

 的 

--conf

Answer 3

/home/ec2-user/anaconda3/envs/ENV-XXX/lib/python3.6/site-packages/pyspark/jars

这两个文件是：

hadoop-aws-2.10.1-amzn-0.jar

• aws-java-sdk-1.11.890.jar

Answer 4

spark-submit

但是您还需要将 

spark = SparkSession.builder\
        .config("spark.jars.packages", "org.apache.spark:spark-hadoop-cloud_2.12:3.3.0")\
        .config("spark.hadoop.fs.s3a.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem")\
        .getOrCreate()

jar 及其依赖项放入您的

spark-hadoop-cloud_2.12

中。还要检查 Maven Central 上

SPARK_HOME

jar 的依赖关系，以确保您下载的是正确的版本。将下面的内容调整到你的spark home，这里是

spark-hadoop-cloud_2.12

/usr/local/lib/python3.10/site-packages/pyspark