Apache spark GoogleHadoop文件系统不能强制转换到hadoop文件系统？

原来的问题是。下载并设置后

SPARK_HADOOP2_TARBALL_URI='gs://my_bucket/my-images/spark-1.4.1-bin-hadoop2.6.tgz'

使用bdutil部署很好；但是，当尝试调用SqlContext.parquetFile（“gs://my\u bucket/some\u data.parquet”）时，它会遇到以下异常：

 java.lang.ClassCastException: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem cannot be cast to org.apache.hadoop.fs.FileSystem
at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2595)
at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:91)
at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2630)
at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2612)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:370)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:169)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:354)
at org.apache.hadoop.fs.Path.getFileSystem(Path.java:296)
at org.apache.hadoop.hive.metastore.Warehouse.getFs(Warehouse.java:112)
at org.apache.hadoop.hive.metastore.Warehouse.getDnsPath(Warehouse.java:144)
at org.apache.hadoop.hive.metastore.Warehouse.getWhRoot(Warehouse.java:159)

让我困惑的是Google hadoop文件系统应该是org.apache.hadoop.fs.FileSystem的一个子类，我甚至在同一个spark shell实例中进行了验证：

scala> var gfs = new com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem()
gfs: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem = com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem@46f105c

scala> gfs.isInstanceOf[org.apache.hadoop.fs.FileSystem]
res3: Boolean = true

scala> gfs.asInstanceOf[org.apache.hadoop.fs.FileSystem]
res4: org.apache.hadoop.fs.FileSystem = com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem@46f105c

我错过了什么吗，有什么解决办法吗？提前谢谢

更新：这是我的bdutil（版本1.3.1）部署设置：

import_env hadoop2_env.sh
import_env extensions/spark/spark_env.sh
CONFIGBUCKET="my_conf_bucket"
PROJECT="my_proj"
GCE_IMAGE='debian-7-backports'
GCE_MACHINE_TYPE='n1-highmem-4'
GCE_ZONE='us-central1-f'
GCE_NETWORK='my-network'
GCE_MASTER_MACHINE_TYPE='n1-standard-2'
PREEMPTIBLE_FRACTION=1.0
PREFIX='my-hadoop'
NUM_WORKERS=8
USE_ATTACHED_PDS=true
WORKER_ATTACHED_PDS_SIZE_GB=200
MASTER_ATTACHED_PD_SIZE_GB=200
HADOOP_TARBALL_URI="gs://hadoop-dist/hadoop-2.6.0.tar.gz"
SPARK_MODE="yarn-client"
SPARK_HADOOP2_TARBALL_URI='gs://my_conf_bucket/my-images/spark-1.4.1-bin-hadoop2.6.tgz'

---

简短回答

事实上，它与IsolatedClient Loader有关，我们已经找到了根本原因并验证了修复方法。我申请跟踪这个问题，并通过一个简单的修复成功地用我的叉子构建了一个干净的Spark tarball：

有几个短期选择：

现在使用Spark 1.3.1

在bdutil部署中，使用HDFS作为默认文件系统（

--default_fs=HDFS

）；您仍然可以在作业中直接指定

gs://

路径，只是HDFS将用于中间数据和暂存文件。不过，在这种模式下使用原始配置单元存在一些小的不兼容性

如果不需要HiveContext功能，请使用原始的

val sqlContext=new org.apache.spark.sql.sqlContext（sc）

，而不是HiveContext

git克隆https://github.com/dennishuo/spark

并运行

/make-distribution.sh--命名我的定制spark--tgz--跳过java test-Pyarn-Phadoop-2.6-Dhadoop.version=2.6.0-Phive-Phive-thriftserver

以获得一个新的tarball，您可以在bdutil的

spark_env.sh

中指定

长答案

我们已经验证，它仅在将

fs.default.name

和

fs.defaultFS

设置为

gs://

路径时才会显示，无论尝试从

parquetFile（“gs://…”）还是
parquetFile（“hdfs://...）
，当
fs.default.name
和
fs.defaultFS
设置为HDFS路径时，从HDFS和GCS加载数据都可以正常工作。这也是Spark 1.4+目前特有的，在Spark 1.3.1或更早版本中不存在

回归似乎已经被引入其中，实际上修复了先前相关的类加载问题。虽然修复程序本身对于正常情况是正确的，但是有一种方法用于确定要使用哪个类加载器，并与前面提到的commit交互，以破坏GoogleHadoop文件系统的类加载

该文件中的以下行将
com.google.*
下的所有内容都作为“共享类”包含，因为Guava和protobuf依赖项确实作为共享库加载，但不幸的是，在这种情况下，GoogleHadoop文件系统应该作为“hive类”加载，就像
org.apache.hadoop.hdfs.DistributedFileSystem
。我们只是碰巧共享了
com.google.*
包名称空间

protected def isSharedClass(name: String): Boolean =
  name.contains("slf4j") ||
  name.contains("log4j") ||
  name.startsWith("org.apache.spark.") ||
  name.startsWith("scala.") ||
  name.startsWith("com.google") ||
  name.startsWith("java.lang.") ||
  name.startsWith("java.net") ||
  sharedPrefixes.exists(name.startsWith)

...

/** The classloader that is used to load an isolated version of Hive. */
protected val classLoader: ClassLoader = new URLClassLoader(allJars, rootClassLoader) {
  override def loadClass(name: String, resolve: Boolean): Class[_] = {
    val loaded = findLoadedClass(name)
    if (loaded == null) doLoadClass(name, resolve) else loaded
  }

  def doLoadClass(name: String, resolve: Boolean): Class[_] = {
    ...
    } else if (!isSharedClass(name)) {
      logDebug(s"hive class: $name - ${getResource(classToPath(name))}")
      super.loadClass(name, resolve)
    } else {
      // For shared classes, we delegate to baseClassLoader.
      logDebug(s"shared class: $name")
      baseClassLoader.loadClass(name)
    }
  }
}

这可以通过在
${SPARK_INSTALL}/conf/log4j.properties
中添加以下行来验证：

log4j.logger.org.apache.spark.sql.hive.client=DEBUG

输出结果显示：

...
15/07/20 20:59:14 DEBUG IsolatedClientLoader: hive class: org.apache.hadoop.hdfs.DistributedFileSystem - jar:file:/home/hadoop/spark-install/lib/spark-assembly-1.4.1-hadoop2.6.0.jar!/org/apache/hadoop/hdfs/DistributedFileSystem.class
...
15/07/20 20:59:14 DEBUG IsolatedClientLoader: shared class: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem
java.lang.RuntimeException: java.lang.ClassCastException: com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem cannot be cast to org.apache.hadoop.fs.FileSystem

在我的测试中，似乎我至少可以加载一个拼花地板文件，甚至可以在生成的数据帧上调用“take（10）”。调用sqlContext.parquetFile（“…”）时，您真的立即看到了异常吗？还是在数据帧上的某个特定转换操作中？谢谢你的回答，丹尼斯。我做的唯一一件事是sqlContext.parquetFile（“…”），它失败了，出现了错误；我还重新部署了同样的错误。有没有关于如何调查可能导致这种情况的建议？我已经为bdutil添加了详细信息设置。再次感谢！您使用的是哪个bdutil版本？bdutil版本是1.3.1我尝试了几个不同的bdutil版本和不同的Spark版本，到目前为止，我一直能够加载我的拼花文件。您是否有机会分享正在运行的scala命令、调用标志等的一些可复制示例？您还可以与gcp hadoop共享详细信息-contact@google.com如果方便的话，可以更直接地与谷歌工程师讨论