Чтение из нескольких блоков s3 в одном регионе с помощью Spark - PullRequest
0 голосов
/ 09 апреля 2019

Я пытаюсь прочитать файлы из нескольких блоков s3.

Первоначально ведра были бы в разных регионах, но, похоже, это невозможно.

Итак, теперь я скопировал другой сегмент в ту же область, что и первый сегмент для чтения, из той же области, из которой я выполняю задание spark.

Настройка SparkSession:

val sparkConf = new SparkConf()
          .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
          .registerKryoClasses(Array(classOf[Event]))

        SparkSession.builder
          .appName("Merge application")
          .config(sparkConf)
          .getOrCreate()

Функция, которая вызывается с использованием SQLContext из create SparkSession:

private def parseEvents(bucketPath: String, service: String)(
    implicit sqlContext: SQLContext
  ): Try[RDD[Event]] =
    Try(
      sqlContext.read
        .option("codec", "org.apache.hadoop.io.compress.GzipCodec")
        .json(bucketPath)
        .toJSON
        .rdd
        .map(buildEvent(_, bucketPath, service).get)
    )

Основной поток:

for {
      bucketOnePath               <- buildBucketPath(config.bucketOne.name)
      _                           <- log(s"Reading events from $bucketOnePath")
      bucketOneEvents: RDD[Event] <- parseEvents(bucketOnePath, config.service)
      _                           <- log(s"Enriching events from $bucketOnePath with originating region data")
      bucketOneEventsWithRegion: RDD[Event] <- enrichEventsWithRegion(
        bucketOneEvents,
        config.bucketOne.region
      )

      bucketTwoPath               <- buildBucketPath(config.bucketTwo.name)
      _                           <- log(s"Reading events from $bucketTwoPath")
      bucketTwoEvents: RDD[Event] <- parseEvents(config.bucketTwo.name, config.service)
      _                           <- log(s"Enriching events from $bucketTwoPath with originating region data")
      bucketTwoEventsWithRegion: RDD[Event] <- enrichEventsWithRegion(
        bucketTwoEvents,
        config.bucketTwo.region
      )

      _                        <- log("Merging events")
      mergedEvents: RDD[Event] <- merge(bucketOneEventsWithRegion, bucketTwoEventsWithRegion)
      if mergedEvents.isEmpty() == false
      _ <- log("Grouping merged events by partition key")
      mergedEventsByPartitionKey: RDD[(EventsPartitionKey, Iterable[Event])] <- eventsByPartitionKey(
        mergedEvents
      )

      _ <- log(s"Storing merged events to ${config.outputBucket.name}")
      _ <- store(config.outputBucket.name, config.service, mergedEventsByPartitionKey)
    } yield ()

Ошибка, которую я получаю в журналах (реальные имена блоков были изменены, но настоящие имена существуют):

19/04/09 13:10:20 INFO SparkContext: Created broadcast 4 from rdd at MergeApp.scala:141
19/04/09 13:10:21 INFO FileSourceScanExec: Planning scan with bin packing, max size: 134217728 bytes, open cost is considered as scanning 4194304 bytes.
org.apache.spark.sql.AnalysisException: Path does not exist: hdfs:someBucket2

И мои журналы stdout показывают, как далеко проходит основной код до сбоя:

Reading events from s3://someBucket/*/*/*/*/*.gz
Enriching events from s3://someBucket/*/*/*/*/*.gz with originating region data
Reading events from s3://someBucket2/*/*/*/*/*.gz
Merge failed: Path does not exist: hdfs://someBucket2

Странно, первое чтение всегда работает независимо от того, какое ведро я выберу. Но второе чтение всегда терпит неудачу, независимо от ведра. Это говорит мне, что с корзинами нет ничего плохого, но есть некоторая странность при работе с несколькими корзинами s3.

Я вижу только потоки при чтении нескольких файлов из одного сегмента s3, но не нескольких файлов из нескольких блоков s3.

Есть идеи?

1 Ответ

0 голосов
/ 09 апреля 2019

вам не хватает префикса s3: // в пути someBucket2, поэтому он пытается (по умолчанию) найти его в hdfs

...