尝试从 Spark 在 S3 存储桶上写入数据时找不到类 org.apache.hadoop.fs.s3a.auth.IAMInstanceCredentialsProvider

Question

我正在尝试从本地计算机将数据写入 S3 存储桶：

spark = SparkSession.builder \
    .appName('application') \
    .config("spark.hadoop.fs.s3a.access.key", configuration.AWS_ACCESS_KEY_ID) \
    .config("spark.hadoop.fs.s3a.secret.key", configuration.AWS_ACCESS_SECRET_KEY) \
    .config("spark.hadoop.fs.s3a.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem") \
    .getOrCreate()

lines = spark.readStream \
    .format('kafka') \
    .option('kafka.bootstrap.servers', kafka_server) \
    .option('subscribe', kafka_topic) \
    .option("startingOffsets", "earliest") \
    .load()

streaming_query = lines.writeStream \
                    .format('parquet') \
                    .outputMode('append') \
                    .option('path', configuration.S3_PATH) \
                    .start()

streaming_query.awaitTermination()

Hadoop版本：3.2.1，Spark版本3.2.1

我已将依赖项 jar 添加到 pyspark jar 中：

Spark-sql-kafka-0-10_2.12:3.2.1、aws-java-sdk-s3:1.11.375、hadoop-aws:3.2.1、

执行时出现以下错误：

py4j.protocol.Py4JJavaError: An error occurred while calling o68.start.
: java.io.IOException: From option fs.s3a.aws.credentials.provider 
java.lang.ClassNotFoundException: Class 
org.apache.hadoop.fs.s3a.auth.IAMInstanceCredentialsProvider not found

Answer 1

就我而言，它最终通过添加以下语句起作用：

.config('spark.hadoop.fs.s3a.aws.credentials.provider', 'org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider')

另外，site-package/pyspark/jars 中的所有 hadoop jar 必须处于同一版本，hadoop-aws:3.2.2、hadoop-client-api-3.2.2、hadoop-client-runtime-3.2.2、hadoop -yam-服务器-web-proxy-3.2.2

对于 hadoop-aws 版本 3.2.2，需要 aws-java-sdk-s3:1.11.563 包。

我还用 guava-23.0.jar 替换了 guava-14.0.jar。