【问题标题】:No FileSystem for scheme: s3 with pyspark方案没有文件系统:带有 pyspark 的 s3
【发布时间】:2018-03-26 05:23:45
【问题描述】:

我正在尝试使用 Spark 从 S3 读取一个 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?

【问题讨论】:

  • 你试过s3n://吗?另外,看看:stackoverflow.com/questions/42754276/…
  • 我试过了,但我仍然得到同样的错误。看看这个问题与我已经在使用的东西是一样的。我正在使用 2.2 pyspark
  • 在 Scala 中访问 S3 需要额外的“hadoop-aws”库。也许,你也需要它们:gist.github.com/eddies/f37d696567f15b33029277ee9084c4a0
  • 我建议使用一些支持 s3 作为后端的 POSIX 兼容文件系统,例如 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一样。

标签: python python-2.7 apache-spark


【解决方案1】:

如果您使用的是本地机器,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 granting S3 permissions to your EC2 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

如果您添加其他包,请确保格式为:'groupId:artifactId:version',并且包以逗号分隔。

如果您使用 Jupyter Notebooks 中的 pyspark,这将起作用:

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

【讨论】:

  • 所以boto3由于某种原因在集群火花中不起作用或者是什么问题?我想我可以将 split boto 命令包装到 DF 中,对吧?否则我现在对 spark 2.4.2 有同样的问题
  • 请注意这不一定有效,您在 pyspark 脚本中加载的版本必须与 pyspark 安装的 jars 文件夹中的版本相同。我的 pyspark 有 2.7.3 的 jars hadoo* 文件,所以我也用它来提交参数,现在我可以简单地使用 S3(不需要 a/n)
  • 抱歉,为什么会有空格?不是正确的命令 pyspark --packages=com.amazonaws:aws-java-sdk:1.11.7755,org.apache.hadoop:hadoop-aws:3.2.1 吗?请注意,对于 s3 和 s3a 网址,这对我来说仍然失败。
  • arg 名称和 arg 值之间的空格对我有用
  • 嗨,当我尝试pyspark --packages com.amazonaws:aws-java-sdk-pom:1.10.34,org.apache.hadoop:hadoop-aws:2.7.2 时,它给了我错误[NOT FOUND ] junit#junit;4.11!junit.jar,并且No FileSystem for scheme: s3 错误仍然存​​在,我使用的是pyspark 2.4.4,你知道为什么吗?跨度>
【解决方案2】:

如果您使用的是 jupyter notebook,则必须将两个文件放到 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

【讨论】:

  • 如果我不使用 conda,我在哪里可以找到这些文件?
猜你喜欢
  • 2021-12-12
  • 2021-11-15
  • 2020-05-13
  • 1970-01-01
  • 2018-08-20
  • 2019-06-18
  • 2019-08-30
  • 2021-05-25
  • 2018-02-11
相关资源
最近更新 更多