从Hadoop访问只读Google存储桶

我正在尝试使用

bdutil

脚本从部署在谷歌云中的Hadoop集群访问谷歌存储桶。如果bucket访问是只读的，则会失败

我在做什么：

使用

bdutil deploy -e datastore_env.sh

在主机上：

vgorelik@vgorelik-hadoop-m:~$ hadoop fs -ls gs://pgp-harvard-data-public 2>&1 | head -10
14/08/14 14:34:21 INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.2.8-hadoop1
14/08/14 14:34:25 WARN gcsio.GoogleCloudStorage: Repairing batch of 174 missing directories.
14/08/14 14:34:26 ERROR gcsio.GoogleCloudStorage: Failed to repair some missing directories.
java.io.IOException: Multiple IOExceptions.
java.io.IOException: Multiple IOExceptions.
    at com.google.cloud.hadoop.gcsio.GoogleCloudStorageExceptions.createCompositeException(GoogleCloudStorageExceptions.java:61)
    at com.google.cloud.hadoop.gcsio.GoogleCloudStorageImpl.createEmptyObjects(GoogleCloudStorageImpl.java:361)
    at com.google.cloud.hadoop.gcsio.GoogleCloudStorageImpl.createEmptyObjects(GoogleCloudStorageImpl.java:372)
    at com.google.cloud.hadoop.gcsio.GoogleCloudStorageImpl.listObjectInfo(GoogleCloudStorageImpl.java:914)
    at com.google.cloud.hadoop.gcsio.CacheSupplementedGoogleCloudStorage.listObjectInfo(CacheSupplementedGoogleCloudStorage.java:455)

看看，谷歌云存储连接器（GoogleCloudStorage Connector for Hadoop）似乎需要空的“目录”对象，如果bucket是可写的，它可以自己创建这些对象；否则它就失败了。设置fs.gs.implicit.dir.repair.enable=false将导致“错误检索对象”错误

是否可以以某种方式使用只读存储桶作为MR作业输入

---

我使用

gsutil

上传文件。是否可以在文件上载时强制创建这些空对象？

是的，您可以使用只读Google云存储桶作为Hadoop作业的输入

例如，我已多次运行此作业：

./hadoop-install/bin/hadoop \
  jar ./hadoop-install/contrib/streaming/hadoop-streaming-1.2.1.jar \
  -input gs://pgp-harvard-data-public/hu0*/*/*/*/ASM/master* \
  -mapper cgi-mapper.py -file cgi-mapper.py --numReduceTasks 0 \
  -output gs://big-data-roadshow/output

这将访问您在上面的示例中提到的同一个只读存储桶

我们的示例之间的区别在于，我的示例以glob（

*

）结尾，Google Cloud Storage Connector for Hadoop可以扩展glob，而无需使用任何“占位符”目录对象

我建议您使用

gsutil

来探索您感兴趣的只读存储桶（因为它不需要“占位符”对象），一旦有了一个glob表达式返回要处理的对象列表，就在

hadoop

命令中使用该glob表达式

第二个问题（“是否可以在文件上载时强制创建这些空对象”

gsutil

）的答案目前为“否”