Apache spark “如何修复”；方案没有文件系统：gs“；在派斯帕克？

我正在尝试将一个json文件从google bucket读取到本地spark机器上的pyspark数据帧中。代码如下：

import pandas as pd
import numpy as np

from pyspark import SparkContext, SparkConf
from pyspark.sql import SparkSession, SQLContext

conf = SparkConf().setAll([('spark.executor.memory', '16g'),
                        ('spark.executor.cores','4'),
                         ('spark.cores.max','4')]).setMaster('local[*]')


spark = (SparkSession.
              builder.
              config(conf=conf).
              getOrCreate())


sc = spark.sparkContext

import glob
import bz2
import json
import pickle


bucket_path = "gs://<SOME_PATH>/"
client = storage.Client(project='<SOME_PROJECT>')
bucket = client.get_bucket ('<SOME_PATH>')
blobs = bucket.list_blobs()

theframes = []

for blob in blobs:
    print(blob.name)        
    testspark = spark.read.json(bucket_path + blob.name).cache()
    theframes.append(testspark) 

将熊猫作为pd导入
将numpy作为np导入
从pyspark导入SparkContext，SparkConf
从pyspark.sql导入SparkSession，SQLContext
conf=SparkConf（）.setAll（[（'spark.executor.memory'，'16g'），
（'spark.executor.cores'，'4'），
（'spark.cores.max'，'4'））.setMaster（'local[*]'））
火花=（火花会话）。
建设者
配置（conf=conf）。
getOrCreate（））
sc=spark.sparkContext
导入glob
进口bz2
导入json
进口泡菜
bucket_path=“gs://”
客户端=存储。客户端（项目=“”）
bucket=client.get_bucket（“”）
blobs=bucket.list_blobs（）
框架=[]
对于blob中的blob：
打印（blob.name）
testspark=spark.read.json（bucket\u path+blob.name）.cache（）
theframes.append（testspark）

它从bucket读取文件很好（我可以看到blob.name的打印输出），但随后崩溃如下：

 Traceback (most recent call last):
 File "test_code.py", line 66, in <module>
   testspark = spark.read.json(bucket_path + blob.name).cache()
 File "/home/anaconda3/envs/py37base/lib/python3.6/site-packages/pyspark/sql/readwriter.py", line 274, in json
return self._df(self._jreader.json(self._spark._sc._jvm.PythonUtils.toSeq(path)))
 File "/home/anaconda3/envs/py37base/lib/python3.6/site-packages/py4j/java_gateway.py", line 1257, in __call__
answer, self.gateway_client, self.target_id, self.name)
 File "/home/anaconda3/envs/py37base/lib/python3.6/site-packages/pyspark/sql/utils.py", line 63, in deco
return f(*a, **kw)
 File "/home/anaconda3/envs/py37base/lib/python3.6/site-packages/py4j/protocol.py", line 328, in get_return_value
format(target_id, ".", name), value)
py4j.protocol.Py4JJavaError: An error occurred while calling o51.json.
: java.io.IOException: No FileSystem for scheme: gs

回溯（最近一次呼叫最后一次）：
文件“test_code.py”，第66行，在
testspark=spark.read.json（bucket\u path+blob.name）.cache（）
json格式的文件“/home/anaconda3/envs/py37base/lib/python3.6/site packages/pyspark/sql/readwriter.py”，第274行
返回self.\u df（self.\u jreader.json（self.\u spark.\u sc.\u jvm.PythonUtils.toSeq（path）））
文件“/home/anaconda3/envs/py37base/lib/python3.6/site packages/py4j/java_gateway.py”，第1257行，in_u调用__
回答，self.gateway\u客户端，self.target\u id，self.name）
文件“/home/anaconda3/envs/py37base/lib/python3.6/site-packages/pyspark/sql/utils.py”，第63行，deco格式
返回f（*a，**kw）
文件“/home/anaconda3/envs/py37base/lib/python3.6/site packages/py4j/protocol.py”，第328行，在get_return_值中
格式（目标id，“.”，名称），值）
py4j.protocol.Py4JJavaError:调用o51.json时出错。
：java.io.IOException:没有scheme:gs的文件系统

我曾在stackoverflow上讨论过这种类型的错误，但在我使用pyspark时，大多数解决方案似乎都在Scala中，和/或涉及到弄乱core-site.xml，我这样做毫无效果

我使用的是spark 2.4.1和python 3.6.7

---

非常感谢您的帮助

需要一些配置参数才能将“gs”识别为分布式文件系统

将此设置用于google云存储连接器gcs-connector-hadoop2-latest.jar

spark = SparkSession \
        .builder \
        .config("spark.jars", "/path/to/gcs-connector-hadoop2-latest.jar") \
        .getOrCreate()

可从pyspark设置的其他配置

spark._jsc.hadoopConfiguration().set('fs.gs.impl', 'com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem')
# This is required if you are using service account and set true, 
spark._jsc.hadoopConfiguration().set('fs.gs.auth.service.account.enable', 'true')
spark._jsc.hadoopConfiguration().set('google.cloud.auth.service.account.json.keyfile', "/path/to/keyfile")
# Following are required if you are using oAuth
spark._jsc.hadoopConfiguration().set('fs.gs.auth.client.id', 'YOUR_OAUTH_CLIENT_ID')
spark._jsc.hadoopConfiguration().set('fs.gs.auth.client.secret', 'OAUTH_SECRET')

或者，您可以在core-site.xml或spark-defaults.conf中设置这些配置

命令行上的Hadoop配置 您还可以使用

spark.hadoop

-前缀配置属性来设置

pyspark

（或通常情况下

spark submit

）时的设置，例如

--conf spark.hadoop.fs.gs.impl=com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem