java.io.IOException：尝试从 IBM Cloud Object Storag

Question

我在 Kubernetes 上创建了一个包含 3 个工作人员的 Spark 集群和一个附加的 JupyterHub 部署，以便我可以运行大量查询。

我的 parquet 文件存储在 IBM Cloud Object Storage (COS) 中，当我运行一个简单的代码从 COS 读取数据时，我收到以下错误：

无法读取页脚：java.io.IOException：无法读取文件 FileStatus{path=file:/path/myfile.parquet/_common_metadata; 的页脚；是目录=假；长度=413；复制=0；块大小=0；修改时间=0；访问时间=0；所有者=; 组=; 权限=rw-rw-rw-; isSymlink=false} 在 parquet.hadoop.ParquetFileReader.readAllFootersInParallel

我已将所有必需的库添加到/jars驱动程序中 SPARK_HOME 目录的目录中。

这是我用来连接的代码：

# Initial Setup - Once

import os

from pyspark import SparkConf, SparkContext

from pyspark.sql import SparkSession

spark_session = SparkSession(sc)

credentials_staging_parquet = {

  'bucket_dm':'mybucket1',

  'bucket_eid':'bucket2',

  'secret_key':'XXXXXXXX',

  'iam_url':'https://iam.ng.bluemix.net/oidc/token',

  'api_key':'XXXXXXXX',

  'resource_instance_id':'crn:v1:bluemix:public:cloud-object-storage:global:a/XXXXX:XXXXX::',

  'access_key':'XXXXX',

  'url':'https://s3-api.us-geo.objectstorage.softlayer.net'

}

conf = {

    'fs.cos.service.access.key': credentials_staging_parquet.get('access_key'),

    'fs.cos.service.endpoint': credentials_staging_parquet.get('url'),

    'fs.cos.service.secret.key': credentials_staging_parquet.get('secret_key'),

    'fs.cos.service.iam.endpoint': credentials_staging_parquet.get('iam_url'),

    'fs.cos.service.iam.service.id': credentials_staging_parquet.get('resource_instance_id'),

    'fs.stocator.scheme.list': 'cos',

    'fs.cos.impl': 'com.ibm.stocator.fs.ObjectStoreFileSystem',

    'fs.stocator.cos.impl': 'com.ibm.stocator.fs.cos.COSAPIClient',

    'fs.stocator.cos.scheme': 'cos',

    'fs.cos.client.execution.timeout': '18000000',

    'fs.stocator.glob.bracket.support': 'true'

}

hadoop_conf = sc._jsc.hadoopConfiguration()

for key in conf:

    hadoop_conf.set(key, conf.get(key))

parquet_path = 'store/MY_FILE/*'

cos_url = 'cos://{bucket}.service/{parquet_path}'.format(bucket=credentials_staging_parquet.get('bucket_eid'), parquet_path=parquet_path)

df2 = spark_session.read.parquet(cos_url)

Answer 1

我收到了类似的错误，并在 Google 上找到了这篇文章。接下来，我意识到我有一个文件格式问题，其中保存的文件是 Avro，文件阅读器是 Orc。所以...检查您保存的文件格式和阅读器格式是否对齐。

Answer 2

尝试重新启动您的系统或服务器，它会在它之后工作。我遇到了同样的问题。它通常在您升级 Java 版本时发生，但是 spark lib 仍然指向旧的 Java 版本。重新启动服务器/系统可以解决问题。

Answer 3

发现我的问题的问题，集群中的所有工作人员都无法使用所需的库。有两种方法可以解决这个问题：确保在 spark-submit 命令上添加依赖项，以便将其分发到整个集群，在这种情况下，它应该在kernel.json位于 Jupyterhub 的文件中完成/usr/local/share/jupyter/kernels/pyspark/kernel.json（假设您创建了该文件）。或者为集群中的每个工作人员和驱动程序添加对 SPARK_HOME 目录的依赖/jars项（如果您没有这样做）。我使用了第二种方法。在创建 docker 映像期间，我添加了库，因此当我启动集群时，所有容器都已经具有所需的库。