没有用于方案的文件系统：带有pyspark的s3

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)

我怎样才能解决这个问题？

Answer 1

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 3.2.xSpark 升级到 Hadoop 3.0 时它已经发生了变化。

火花3.0.3

• --packages：org.apache.hadoop:hadoop-aws:2.10.2,org.apache.hadoop:hadoop-client:2.10.2
• --exclude-packages：com.google.guava:guava

火花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

• --packages：org.apache.spark:spark-hadoop-cloud_2.12:3.2.0

根据Spark 文档

根据Spark 文档，您应该使用该org.apache.spark:hadoop-cloud_2.12:<SPARK_VERSION>库。问题在于中央 Maven 存储库中不存在该库。

如何设置额外的依赖项？

在spark-submit

用途--packages及--exclude-packages参数

在SparkSession.builder

使用spark.jars.packages和spark.jars.excludesspark配置

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()
)

s3与s3a

上面添加了S3AFileSystemSpark 的类路径。当您设置此 Spark 配置时，不仅s3a://...路径也s3://...将起作用：

• spark.hadoop.fs.s3.impl：org.apache.hadoop.fs.s3a.S3AFileSystem

使用时设置是使用SparkSession.builder.config()via--confspark-submit

Answer 2

如果您使用的是 jupyter 笔记本，则必须将两个文件添加到 Spark 的类路径中：

/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 3

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）。

如果您使用的是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

如果您使用的是Jupyter Notebooks的pyspark，则可以使用：

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