Question

我有一个端点服务器，它现在可以在Spark中很好地适用于s3a文件系统，我想支持(Get-Location -PSProvider FileSystem).ProviderPath + '/<fileInCurrentDir>'和HKCU:\Console

有人建议实现这一目标吗？

Answer 1

问题：spark s3n支持端点是否类似于s3a？

答案：是的。

以下是您需要在配置中提供的类，这些类来自hadoop-aws.jar。

 org.apache.hadoop.fs.s3native.NativeS3FileSystem, org.apache.hadoop.fs.s3.S3FileSystem

声明性方式：

在core-site.xml

<property>
  <name>fs.s3.impl</name>
  <value>org.apache.hadoop.fs.s3.S3FileSystem</value>
</property>

<property>
  <name>fs.s3n.impl</name>
  <value>org.apache.hadoop.fs.s3native.NativeS3FileSystem</value>
</property>

或者您可以像下面这样以编程方式设置它们。

编程方式：

示例：

spark.sparkContext.hadoopConfiguration.set("fs.s3n.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem")
    spark.sparkContext.hadoopConfiguration.set("fs.s3n.awsAccessKeyId", "AccessKey")
    spark.sparkContext.hadoopConfiguration.set("fs.s3n.awsSecretAccessKey", "SecretKey")

与s3：//相似。

hadoop-aws.jar具有这些类，因此您需要使用...将jar提供给火花提交作业。

--jars /usr/hadoop/hadoop-aws.jar

进一步阅读here

Answer 2

我在spark中发现以下属性来设置s3n和s3的端点，这些对我有用 spark.hadoop.fs.s3.endpoint = http://endpoint_host:port spark.hadoop.fs.s3n.endpoint = http://endpoint_host:port

Answer 3

没有人需要为任何X值设置fs.s3X.impl。它在hadoop-common中的core-default.xml文件中预定义。这条“必须声明”的规则只是那些从未尝试过其他方法的人所遗忘的迷信。
S3n在hadoop-2.7发行时已经过时（通常是Spark捆绑的版本），并且自hadoop-2.6发行以来就没有任何维护。它已从最新版本中删除，因为每个人都已迁移。
它具有基本限制，包括
- 对大型文件的seek()操作进行的残酷处理（现在，基础库在每次向后查找时都读取到文件末尾。这会破坏ORC / Parquet列数据的性能。
- 不支持v4身份验证协议，因此不支持AWS法兰克福，汉城，伦敦等。
- 不支持加密
- 不支持恢复瞬时故障
- 不支持大文件的并行和增量上传。 S3A在仍在生成输出的同时一次将文件写入一个块

由于这些问题和它已过时的事实，所有与ASF JIRA上s3n相关的bug都被关闭为WONTFIX。

仅从s3n移至s3a。你的生活会更好。

要知道在使用s3a时，AWS库的版本和所有hadoop- * JAR必须同步。 hadoop- * JAR彼此依赖，并且aws- * JAR随着时间的推移变得足够脆弱，以至于hadoop每次升级都需要进行认真的重新测试，经常更改API，针对AWS开发工具包SDK团队提交的错误等。只会创建异常的堆栈跟踪，并以INVALID（无效）关闭：“那就不要这样做”。

现在，如果您真的想测试s3n支持，

签出hadoop source tree以获得您要运行Spark的hadoop版本
遵循testing instructions对端点进行s3a和s3n测试。
特别是testing against non-AWS S3 services的位。
为获得最佳的s3a测试，请检查hadoop中继并也运行这些测试。

如前所述，s3n的问题不会得到解决。你的家庭作业。也许是S3A的，但是您必须证明这是s3a库本身的错误。

Spark S3N支持端点是否类似于S3A

3 个答案: