Spark使用JindoSDK查询OSS-HDFS服务中的数据

操作步骤

1. 连接ECS实例。具体操作，请参见连接ECS实例。

2. 配置JindoSDK。

   1. 下载最新版本的JindoSDK JAR包。下载地址，请参见GitHub。

   2. 解压JindoSDK JAR包。

      以下以解压jindosdk-x.x.x-linux.tar.gz为例，如使用其他版本的JindoSDK，请替换为对应的JAR包名称。

      tar zxvf jindosdk-x.x.x-linux.tar.gz

      说明

      x.x.x表示JindoSDK JAR包版本号。

   3. 可选：如果您的环境中未包含Kerberos和SASL相关依赖，则需要在部署JindoSDK的所有节点安装以下依赖。

      • Ubuntu或Debian

        sudo apt-get install libkrb5-dev krb5-admin-server krb5-kdc krb5-user libsasl2-dev libsasl2-modules libsasl2-modules-gssapi-mit

      • Red Hat Enterprise Linux或CentOS

        sudo yum install krb5-server krb5-workstation cyrus-sasl-devel cyrus-sasl-gssapi cyrus-sasl-plain

      • macOS

        brew install krb5

   4. 将已下载的JindoSDK JAR包拷贝至Spark的classpath路径下。

      cp jindosdk-x.x.x-linux/lib/*.jar  $SPARK_HOME/jars/

3. 配置OSS-HDFS服务实现类及AccessKey。

   • 在core-site.xml文件中配置

     1. 将OSS-HDFS服务实现类配置到Spark的core-site.xml配置文件中。

        <configuration>
            <property>
                <name>fs.AbstractFileSystem.oss.impl</name>
                <value>com.aliyun.jindodata.oss.JindoOSS</value>
            </property>
        
            <property>
                <name>fs.oss.impl</name>
                <value>com.aliyun.jindodata.oss.JindoOssFileSystem</value>
            </property>
        </configuration>

     2. 将已开启OSS-HDFS服务的Bucket对应的AccessKey ID、AccessKey Secret配置在Spark的core-site.xml配置文件中。

        <configuration>
            <property>
                <name>fs.oss.accessKeyId</name>
                <value>LTAI********</value>
            </property>
        
            <property>
                <name>fs.oss.accessKeySecret</name>
                <value>KZo1********</value>
            </property>
        </configuration>

   • 在提交任务时配置

     在提交Spark任务时配置OSS-HDFS服务实现类及AccessKey，示例如下：

     spark-submit --conf spark.hadoop.fs.AbstractFileSystem.oss.impl=com.aliyun.jindodata.oss.OSS --conf spark.hadoop.fs.oss.impl=com.aliyun.jindodata.oss.JindoOssFileSystem --conf spark.hadoop.fs.oss.accessKeyId=LTAI********  --conf spark.hadoop.fs.oss.accessKeySecret=KZo149BD9GLPNiDIEmdQ7d****

4. 配置OSS-HDFS服务Endpoint。

   使用OSS-HDFS服务访问OSS Bucket时需要配置Endpoint。推荐访问路径格式为oss://<Bucket>.<Endpoint>/<Object>，例如oss://examplebucket.cn-shanghai.oss-dls.aliyuncs.com/exampleobject.txt。配置完成后，JindoSDK会根据访问路径中的Endpoint访问对应的OSS-HDFS服务接口。

   您还可以通过其他方式配置OSS-HDFS服务Endpoint，且不同方式配置的Endpoint存在生效优先级。更多信息，请参见附录一：配置Endpoint的其他方式。

5. 使用Spark访问OSS-HDFS。

   1. 创建表。

      create table test_oss (c1 string) location "oss://examplebucket.cn-hangzhou.oss-dls.aliyuncs.com/dir/";

   2. 往表中插入数据。

      insert into table test_oss values ("testdata");

   3. 查询表。

      select * from test_oss;