Spark Scala S3 存储：权限被拒绝

Question

我在 Internet 上阅读了很多关于如何让 Spark 与 S3 一起工作的主题，但仍然没有任何工作正常。 我已经下载了：Spark 2.3.2 with hadoop 2.7 and above。

我只将一些库从 Hadoop 2.7.7（与 Spark/Hadoop 版本匹配）复制到 Spark jars 文件夹：

• hadoop-aws-2.7.7.jar
• hadoop-auth-2.7.7.jar
• aws-java-sdk-1.7.4.jar

我仍然不能使用 S3N 和 S3A 来让 spark 读取我的文件：

对于 S3A，我有这个例外：

sc.hadoopConfiguration.set("fs.s3a.access.key","myaccesskey")
sc.hadoopConfiguration.set("fs.s3a.secret.key","mysecretkey")
val file = sc.textFile("s3a://my.domain:8080/test_bucket/test_file.txt")
com.amazonaws.services.s3.model.AmazonS3Exception: Status Code: 403, AWS Service: Amazon S3, AWS Request ID: AE203E7293ZZA3ED, AWS Error Code: null, AWS Error Message: Forbidden

使用piece of Python 和更多代码，我可以列出我的存储桶、列出我的文件、下载文件、从我的计算机读取文件并获取文件 url。 这段代码给了我以下文件网址：

https://my.domain:8080/test_bucket/test_file.txt?Signature=%2Fg3jv96Hdmq2450VTrl4M%2Be%2FI%3D&Expires=1539595614&AWSAccessKeyId=myaccesskey

我应该如何安装/设置/下载以使 spark 能够从我的 S3 服务器读取和写入？

编辑 3：

使用debug tool in comment 这里是the result。
似乎问题在于签名不知道这意味着什么。

Answer 1

首先，您需要下载与您的 spark-hadoop 版本安装相匹配的 aws-hadoop.jar 和 aws-java-sdk.jar，并将它们添加到 spark 文件夹内的 jars 文件夹中。
然后，如果您的 S3 服务器不支持动态 DNS，您将需要精确您将使用的服务器并启用路径样式：

sc.hadoopConfiguration.set("fs.s3a.path.style.access","true")
sc.hadoopConfiguration.set("fs.s3a.endpoint","my.domain:8080")
#I had to change signature version because I have an old S3 api implementation:
sc.hadoopConfiguration.set("fs.s3a.signing-algorithm","S3SignerType")

这是我的最终代码：

sc.hadoopConfiguration.set("fs.s3a.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem")
val tmp = sc.textFile("s3a://test_bucket/test_file.txt")
sc.hadoopConfiguration.set("fs.s3a.access.key","mykey")
sc.hadoopConfiguration.set("fs.s3a.secret.key","mysecret")
sc.hadoopConfiguration.set("fs.s3a.endpoint","my.domain:8080")
sc.hadoopConfiguration.set("fs.s3a.connection.ssl.enabled","true")
sc.hadoopConfiguration.set("fs.s3a.path.style.access","true")
sc.hadoopConfiguration.set("fs.s3a.signing-algorithm","S3SignerType")
tmp.count()

我建议将大部分设置放入spark-defaults.conf：

spark.hadoop.fs.s3a.impl                   org.apache.hadoop.fs.s3a.S3AFileSystem
spark.hadoop.fs.s3a.path.style.access      true
spark.hadoop.fs.s3a.endpoint               mydomain:8080
spark.hadoop.fs.s3a.connection.ssl.enabled true
spark.hadoop.fs.s3a.signing-algorithm      S3SignerType

我遇到的一个问题是将spark.hadoop.fs.s3a.connection.timeout 设置为 10，但是这个值是在 Hadoop 3 之前以毫秒为单位设置的，它会给你一个很长的超时时间；尝试读取文件后 1.5 分钟会出现错误消息。

PS：
特别感谢Steve Loughran.
非常感谢您的宝贵帮助。