没有适用于pyspark的s3文件系统。

Question

没有适用于pyspark的s3文件系统。

32

我正在尝试使用Spark从S3读取txt文件，但我遇到了这个错误：

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()

这是完整的回溯信息：

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)

我该怎么修复这个问题？

- Filipe Ferminiano

1

你尝试过s3n://吗？另外，看一下这个链接：https://dev59.com/i5_ha4cB1Zd3GeqP7O8w - andrew_reece

2

我尝试了，但仍然得到相同的错误。我看了一下问题，发现我已经在使用相同的东西。我正在使用2.2的pyspark。 - Filipe Ferminiano

1

在Scala中访问S3需要额外的“hadoop-aws”库。也许，您也需要它们：https://gist.github.com/eddies/f37d696567f15b33029277ee9084c4a0 - pasha701

我建议使用一些支持S3作为后端的POSIX兼容文件系统，例如http://juicefs.io。您只需要挂载文件系统，然后像本地目录一样使用它，您的代码在本地环境或云上的某个实例中看起来都是相同的。 - satoru

3个回答

10

关于需要指定 Hadoop <-> AWS 依赖项 的需求，上面的答案都是正确的。

这些答案没有包括更新的 Spark 版本，因此我将发布任何对我有效的内容，特别是自从 Spark 3.2.x 升级到 Hadoop 3.0 以来，情况已经发生了变化。

Spark 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

Spark 3.2+

现在它与 Spark 一起发布，因此请使用与您的 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org.apache.spark:hadoop-cloud_2.12:<SPARK_VERSION>库。问题在于，这个库在中央Maven仓库中不存在。

如何设置额外的依赖？

在spark-submit中：

使用--packages和--exclude-packages参数

在SparkSession.builder中：

使用spark.jars.packages和spark.jars.excludes Spark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`

以上操作将S3AFileSystem添加到Spark的类路径中。当您设置这个Spark配置时，不仅s3a://...而且s3://...路径也会生效：

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

使用SparkSession.builder.config()或通过spark-submit时使用--conf来设置。

- botchniaque

如果您正在使用Delta表，请使用额外的软件包创建Spark上下文，如下所示：

from delta import configure_spark_with_delta_pip; builder = pyspark.sql.SparkSession.builder.appName("MyApp"); spark = configure_spark_with_delta_pip(builder, extra_packages=["org.apache.spark:spark-hadoop-cloud_2.12:3.3.0", ]).getOrCreate()

。谢谢！ - 123

8

如果您正在使用Jupyter Notebook，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

- welkinwalker

1

如果我不使用 conda，我在哪里可以找到这些文件？ - rudolfovic

4

请示我们如何完成这个任务。 - Jane Kathambi

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- gilgorio · Accepted Answer

如果您正在使用本地计算机，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')

（不要忘记设置你的AWS S3凭证）。

如果您正在使用AWS虚拟机（EC2），另一个干净的解决方案是将S3权限授予您的EC2，然后使用此命令启动pyspark：

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

如果您添加其他软件包，请确保格式为：“groupId:artifactId:version”，并且这些软件包用逗号分隔。

如果您正在使用Jupyter Notebooks中的pyspark，则可以使用此方法：

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

没有适用于pyspark的s3文件系统。

Spark 3.0.3

Spark 3.2+

根据 Spark 文档

s3与s3a

`s3`与`s3a`