如何从 Spark Dataproc 检查 Google Storage 中是否存在文件？

Question

我假设 Google 存储连接器允许直接查询 GS，就好像它是来自 Dataproc 中 Spark 的 HDFS，但看起来以下内容不起作用（来自 Spark Shell）：

scala> import org.apache.hadoop.fs.FileSystem
import org.apache.hadoop.fs.FileSystem

scala> import org.apache.hadoop.fs.Path
import org.apache.hadoop.fs.Path

scala> FileSystem.get(sc.hadoopConfiguration).exists(new Path("gs://samplebucket/file"))
java.lang.IllegalArgumentException: Wrong FS: gs://samplebucket/file, expected: hdfs://dataprocmaster-m

有没有办法只使用 Hadoop API 来访问 Google Storage 文件？

Answer 1

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.hadoop.fs.{FileSystem, Path}

val p = "gs://<your dir>"

val path = new Path(p)
val fs = path.getFileSystem(sc.hadoopConfiguration)
fs.exists(path)

fs.isDirectory(path)

Answer 2

这是因为FileSystem.get(...) 返回默认的FileSystem，根据您的配置是HDFS，并且只能使用以hdfs:// 开头的路径。使用以下方法获取正确的 FS。

Path p = new Path("gs://...");
FileSystem fs = p.getFileSystem(...);
fs.exists(p);