Question

最初的问题是 trying to deploy spark 1.4 on Google Cloud。下载并设置

后

SPARK_HADOOP2_TARBALL_URI='gs://my_bucket/my-images/spark-1.4.1-bin-hadoop2.6.tgz'

使用bdutil进行部署很好;但是，当试图调用SqlContext.parquetFile（“gs：//my_bucket/some_data.parquet”）时，它会遇到以下异常：

 java.lang.ClassCastException: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem cannot be cast to org.apache.hadoop.fs.FileSystem
at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2595)
at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:91)
at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2630)
at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2612)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:370)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:169)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:354)
at org.apache.hadoop.fs.Path.getFileSystem(Path.java:296)
at org.apache.hadoop.hive.metastore.Warehouse.getFs(Warehouse.java:112)
at org.apache.hadoop.hive.metastore.Warehouse.getDnsPath(Warehouse.java:144)
at org.apache.hadoop.hive.metastore.Warehouse.getWhRoot(Warehouse.java:159)

令我困惑的是，GoogleHadoopFileSystem应该是org.apache.hadoop.fs.FileSystem的子类，我甚至在同一个spark-shell实例中进行了验证：

scala> var gfs = new com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem()
gfs: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem = com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem@46f105c

scala> gfs.isInstanceOf[org.apache.hadoop.fs.FileSystem]
res3: Boolean = true

scala> gfs.asInstanceOf[org.apache.hadoop.fs.FileSystem]
res4: org.apache.hadoop.fs.FileSystem = com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem@46f105c

我有没有错过任何解决方法？提前谢谢！

更新：这是我的部署bdutil（版本1.3.1）设置：

import_env hadoop2_env.sh
import_env extensions/spark/spark_env.sh
CONFIGBUCKET="my_conf_bucket"
PROJECT="my_proj"
GCE_IMAGE='debian-7-backports'
GCE_MACHINE_TYPE='n1-highmem-4'
GCE_ZONE='us-central1-f'
GCE_NETWORK='my-network'
GCE_MASTER_MACHINE_TYPE='n1-standard-2'
PREEMPTIBLE_FRACTION=1.0
PREFIX='my-hadoop'
NUM_WORKERS=8
USE_ATTACHED_PDS=true
WORKER_ATTACHED_PDS_SIZE_GB=200
MASTER_ATTACHED_PD_SIZE_GB=200
HADOOP_TARBALL_URI="gs://hadoop-dist/hadoop-2.6.0.tar.gz"
SPARK_MODE="yarn-client"
SPARK_HADOOP2_TARBALL_URI='gs://my_conf_bucket/my-images/spark-1.4.1-bin-hadoop2.6.tgz'

Answer 1

简答

确实它与IsolatedClientLoader有关，我们已经找到了根本原因并验证了修复。我提交https://issues.apache.org/jira/browse/SPARK-9206来跟踪这个问题，并通过一个简单的修复从我的fork成功构建了一个干净的Spark tarball：https://github.com/apache/spark/pull/7549

有一些短期选择：

暂时使用Spark 1.3.1。
在bdutil部署中，使用HDFS作为默认文件系统（--default_fs=hdfs）;您仍然可以直接在作业中指定gs://路径，只需将HDFS用于中间数据和暂存文件。但是，在这种模式下使用原始Hive存在一些轻微的不兼容性。
如果您不需要HiveContext功能，请使用原始val sqlContext = new org.apache.spark.sql.SQLContext(sc)而不是HiveContext。
git clone https://github.com/dennishuo/spark并运行./make-distribution.sh --name my-custom-spark --tgz --skip-java-test -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.0 -Phive -Phive-thriftserver以获取您可以在bdutil＆＃39; spark_env.sh中指定的新tarball。

长答案

我们已经确认只有当fs.default.name和fs.defaultFS设置为gs://路径时才显示，无论是否尝试从parquetFile("gs://...")加载路径或parquetFile("hdfs://...")，当fs.default.name和fs.defaultFS设置为HDFS路径时，从HDFS和GCS加载数据都可以正常工作。这也是目前Spark 1.4+特有的，并且在Spark 1.3.1或更早版本中不存在。

回归似乎已在https://github.com/apache/spark/commit/9ac8393663d759860c67799e000ec072ced76493中引入，它实际修复了先前相关的类加载问题SPARK-8368。虽然修复本身对于正常情况是正确的，但是方法IsolatedClientLoader.isSharedClass用于确定要使用哪个类加载器，并与上述提交交互以打破GoogleHadoopFileSystem类加载。

该文件中的以下行包含com.google.*下的所有内容作为＆＃34;共享类＆＃34;因为Guava和可能的protobuf依赖关系确实被加载为共享库，但遗憾的是GoogleHadoopFileSystem应该被加载为＆＃34; hive类＆＃34;在这种情况下，就像org.apache.hadoop.hdfs.DistributedFileSystem一样。我们碰巧不幸地分享了com.google.*包命名空间。

protected def isSharedClass(name: String): Boolean =
  name.contains("slf4j") ||
  name.contains("log4j") ||
  name.startsWith("org.apache.spark.") ||
  name.startsWith("scala.") ||
  name.startsWith("com.google") ||
  name.startsWith("java.lang.") ||
  name.startsWith("java.net") ||
  sharedPrefixes.exists(name.startsWith)

...

/** The classloader that is used to load an isolated version of Hive. */
protected val classLoader: ClassLoader = new URLClassLoader(allJars, rootClassLoader) {
  override def loadClass(name: String, resolve: Boolean): Class[_] = {
    val loaded = findLoadedClass(name)
    if (loaded == null) doLoadClass(name, resolve) else loaded
  }

  def doLoadClass(name: String, resolve: Boolean): Class[_] = {
    ...
    } else if (!isSharedClass(name)) {
      logDebug(s"hive class: $name - ${getResource(classToPath(name))}")
      super.loadClass(name, resolve)
    } else {
      // For shared classes, we delegate to baseClassLoader.
      logDebug(s"shared class: $name")
      baseClassLoader.loadClass(name)
    }
  }
}

可以通过将以下行添加到${SPARK_INSTALL}/conf/log4j.properties来验证这一点：

log4j.logger.org.apache.spark.sql.hive.client=DEBUG

输出显示：

...
15/07/20 20:59:14 DEBUG IsolatedClientLoader: hive class: org.apache.hadoop.hdfs.DistributedFileSystem - jar:file:/home/hadoop/spark-install/lib/spark-assembly-1.4.1-hadoop2.6.0.jar!/org/apache/hadoop/hdfs/DistributedFileSystem.class
...
15/07/20 20:59:14 DEBUG IsolatedClientLoader: shared class: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem
java.lang.RuntimeException: java.lang.ClassCastException: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem cannot be cast to org.apache.hadoop.fs.FileSystem

GoogleHadoopFileSystem无法强制转换为hadoop FileSystem？

1 个答案: