apache-spark - 从 EMR 中的 S3 读取

Question

我无法从 EMR 读取存储在 AWS S3 上的存储桶中的 csv 文件。

我已经阅读了很多关于它的帖子，并做了以下工作来使它工作：

• 添加允许对 s3 进行读写访问的 IAM 策略
• 尝试在 spark-submit 请求的 Argument 部分传递 uri

我认为在普通帐户上从 EMR 查询 S3 很简单（因为它在定义文件系统并提供 aws 凭据后在本地工作），但是当我运行时：

df = spark.read.option("delimiter", ",").csv("s3://{0}/{1}/*.csv".format(bucket_name, power_prod_key), header = True)

没有任何反应，没有任何异常，集群继续运行，但在此行之后不会执行任何操作（我也尝试指定一个文件而不是“*.csv”，但它也是如此）。

我使用 aws 控制台创建了集群，但这里是导出的 cli：

aws emr create-cluster 
  --applications Name=Hadoop Name=Hive Name=Pig Name=Hue Name=Spark  
  --ec2-attributes '{"InstanceProfile":"EMR_EC2_DefaultRole","SubnetId":"subnet-3482b47e","EmrManagedSlaveSecurityGroup":"sg-05c284d83c1307807","EmrManagedMasterSecurityGroup":"sg-01cd4e90f09dff3ad"}' 
  --release-label emr-5.21.0 
  --log-uri 's3n://aws-logs-597071303168-us-east-1/elasticmapreduce/' 
  --steps '[{"Args":["spark-submit","--deploy-mode","cluster","--py-files","s3://powercaster-bct/code/func.zip","s3://powercaster-bct/code/PowerProdPrediction.py","s3://powercaster-bct/power-production/*.csv","s3://powercaster-bct/results/rnd-frst-predictions.csv","s3://powercaster-bct/results/rnd-frst-target.csv"],"Type":"CUSTOM_JAR","ActionOnFailure":"TERMINATE_CLUSTER","Jar":"command-runner.jar","Properties":"","Name":"Spark application"}]' 
  --instance-groups '[{"InstanceCount":1,"EbsConfiguration":{"EbsBlockDeviceConfigs":[{"VolumeSpecification":{"SizeInGB":32,"VolumeType":"gp2"},"VolumesPerInstance":1}]},"InstanceGroupType":"MASTER","InstanceType":"m4.large","Name":"Master - 1"}]' 
  --configurations '[{"Classification":"spark-env","Properties":{},"Configurations":[{"Classification":"export","Properties":{"PYSPARK_PYTHON":"/usr/bin/python3"}}]}]' 
  --auto-terminate 
  --auto-scaling-role EMR_AutoScaling_DefaultRole 
  --ebs-root-volume-size 10 
  --service-role EMR_DefaultRole 
  --enable-debugging 
  --name 'My cluster' 
  --scale-down-behavior TERMINATE_AT_TASK_COMPLETION 
  --region us-east-1

我应该提供一些特定的 hadoop 配置来定义文件系统还是以某种方式提供我的凭据？

知道为什么我不能将 S3 链接到 EMR 吗？

标签： apache-sparkamazon-s3pysparkamazon-emr