如何在Scala中同时使用gcs-connector和google-cloud-storage

时间:2019-05-14 14:47:07

标签: scala apache-spark google-cloud-storage

我试图列出存储桶中的所有对象,然后以CSV格式读取其中的一些或全部。我现在已经花了两天时间,试图同时做这两件事,但是如果我使用Google的库,一次只能工作一遍。

我认为问题出在Google自己的库之间不兼容,但是我不确定。首先,我认为我应该展示我如何做每一件事。

这就是我读取单个文件的方式。在我的Scala版本中,您可以将gs://的网址与spark.read.csv一起使用:

val jsonKeyFile = "my-local-keyfile.json"
ss.sparkContext.hadoopConfiguration.set("google.cloud.auth.service.account.json.keyfile", jsonKeyFile)

spark.read
  .option("header", "true")
  .option("sep", ",")
  .option("inferSchema", "false")
  .option("mode", "FAILFAST")
  .csv(gcsFile)

这实际上是单独工作的,而我从中得到了有效的DF。然后,当我尝试添加Google的存储库时就会出现问题:

libraryDependencies += "com.google.cloud" % "google-cloud-storage" % "1.70.0"

如果我尝试再次运行相同的代码,则会从.csv调用中得到这个坏男孩:

Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
19/05/14 16:38:00 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable

An exception or error caused a run to abort: Class com.google.common.base.Suppliers$SupplierOfInstance does not implement the requested interface java.util.function.Supplier 
java.lang.IncompatibleClassChangeError: Class com.google.common.base.Suppliers$SupplierOfInstance does not implement the requested interface java.util.function.Supplier
    at com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystemBase.getGcsFs(GoogleHadoopFileSystemBase.java:1488)
    at com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystemBase.configure(GoogleHadoopFileSystemBase.java:1659)
    at com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystemBase.initialize(GoogleHadoopFileSystemBase.java:683)
    at com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystemBase.initialize(GoogleHadoopFileSystemBase.java:646)
    at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:3303)
    at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:124)
    ...(lots more trace, probably irrelevant)

然后,您可能会问,为什么不不使用库呢?嗯...这是列出存储桶中对象的代码:

StorageOptions
  .newBuilder()
  .setCredentials(ServiceAccountCredentials.fromStream(
    File(jsonKeyFile).inputStream()))
  .build()
  .getService
  .list(bucket)
  .getValues
  .asScala
  .map(irrelevant)
  .toSeq
  .toDF("irrelevant")

在没有指定库的情况下,我还没有找到一种简便的方法。

2 个答案:

答案 0 :(得分:3)

我发现了导致问题的原因。 Guava:27.1-android在某些时候是某个库的依赖项,我不知道它是什么以及如何到达那里的,但是它正在使用中。在此版本的Guava中,Supplier接口不会扩展Java Supplier接口。

我通过将Guava 27.1-jre添加到我的依赖项中来修复它。我不知道命令是否重要,但是我现在不敢碰任何东西。这是我放置的位置:

libraryDependencies += "org.scalatest" %% "scalatest" % "3.0.5" % "test"
libraryDependencies += "org.apache.spark" %% "spark-sql" % "2.4.1" % "provided"
libraryDependencies += "com.google.guava" % "guava" % "27.1-jre"
libraryDependencies += "com.google.cloud" % "google-cloud-storage" % "1.70.0"
//BQ samples as of 27feb2019 use hadoop2 but hadoop3 seems to work fine and are recommended elsewhere
libraryDependencies += "com.google.cloud.bigdataoss" % "bigquery-connector" % "hadoop3-0.13.16" % "provided"
libraryDependencies += "com.google.cloud.bigdataoss" % "gcs-connector" % "hadoop3-1.9.16" % "provided"

希望这可以防止其他可怜的灵魂在此bs上花费2天。

答案 1 :(得分:0)

@Andy这是救生员!花时间调查之后,我发现我正在使用的某些库使用不同版本的guava,因此您应该将此27.1-jre版本加载到您的环境中。 在使用 Gradle 的情况下,我必须执行以下操作:

// This is here *the first line* to support GCS files [Do not remove or move!]
implementation group: 'com.google.guava', name: 'guava', version: '27.1-jre'

api(project(':other.project')) {
    exclude group: 'com.google.guava', module: 'guava'
}

implementation(group: 'other.library', name: 'library.name', version: 'library.version') {
    exclude group: 'com.google.guava', module: 'guava'
}