Spark读取OSS中的数据_开源大数据平台 E-MapReduce(EMR)-阿里云帮助中心

Spark对接OSS提供了高效、灵活的数据处理和分析方式，将大数据处理和云存储相结合。本文介绍Spark如何处理和分析OSS中的数据。

背景信息

当前E-MapReduce：

支持MetaService服务。
支持通过免AccessKey方式访问OSS数据源。
支持通过显式写AccessKey和Endpoint方式访问OSS数据源。
说明
OSS Endpoint需使用内网域名。域名详情信息，请参见OSS Endpoint。

Spark RDD接入OSS示例

本示例为您展示，Spark如何以免AccessKey方式读取OSS中数据，并将处理完的数据写回至OSS。

在spark-shell中执行如下代码。

val conf = new SparkConf().setAppName("Test OSS")
val sc = new SparkContext(conf)
val pathIn = "oss://bucket/path/to/read"
val inputData = sc.textFile(pathIn)
val cnt = inputData.count
println(s"count: $cnt")
val outputPath = "oss://bucket/path/to/write"
val outpuData = inputData.map(e => s"$e has been processed.")
outpuData.saveAsTextFile(outputPath)

完整示例代码，请参见Spark对接OSS。

本文示例中以下参数请根据您的实际情况替换：

pathIn：定义了要读取的文件路径。
outputPath：定义了要写入的文件路径。

PySpark接入OSS示例

本示例为您展示，PySpark如何以免AccessKey方式读取OSS中数据，并将处理完的数据写回至OSS。

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("Python Spark SQL OSS example").getOrCreate()
pathIn = "oss://bucket/path/to/read"
df = spark.read.text(pathIn)
cnt = df.count()
print(cnt)
outputPath = "oss://bucket/path/to/write"
df.write.format("parquet").mode('overwrite').save(outputPath)

Spark-SQL创建CSV表示例

本示例为您展示Spark-SQL如何创建CSV表，并存放至OSS，操作步骤如下。

在spark-sql中执行如下命令。
```
CREATE DATABASE test_db LOCATION "oss://test_bucket/test_db";
USE test_db;
CREATE TABLE student (id INT, name STRING, age INT)
    USING CSV options ("delimiter"=";",  "header"="true");
INSERT INTO student VALUES(1, "ab", 12);
SELECT * FROM student;     
```
执行完以上命令，返回以下信息。
```
1    ab    12     
```
命令中涉及参数如下：
- test_bucket：OSS Bucket的名称。
- delimiter：指定CSV文件中数据的分隔符。
- header：指定CSV文件中第一行是否是表头，可设置true表示是，false表示否。
查看存储在OSS上的CSV文件。
CSV文件的第一行包含表头，并使用分号（;）作为字段的分隔符。示例内容如下。
```
id;name;age
1;ab;12
```

集群显示指定访问OSS的AccessKey

本示例将为您展示集群如何显示指定访问OSS的AccessKey，操作步骤如下。

更改免密配置。
EMR集群访问OSS是免密配置。您可以通过HDFS组件core-site.xml中的fs.oss.credentials.provider配置项控制免密访问。
如果想去掉免密，使用AccessKey访问，需要把fs.oss.credentials.provider参数去掉，同时在core-site.xml中加上下面AccessKey的参数。
```
<property>
  <name>fs.oss.accessKeyId</name>
  <value>LTAI5tM85Z4sc****</value>
</property>
<property>
  <name>fs.oss.accessKeySecret</name>
  <value>HF7P1L8PS6Eqf****</value>
</property>
```
执行以下命令验证是否生效。
```
hadoop fs -ls oss://test_bucket/test_db
```
返回以下信息，发现无法访问OSS。
```
ls: ERROR: without login secrets configured.
```
加上AccessKey配置之后，重新执行命令hadoop fs -ls oss://test_bucket/test_db，则能够查看OSS文件目录。
```
drwxrwxrwx   - root root          0 2022-11-30 12:51 oss://test_bucket/test_db/student
```
重启Spark相关服务，查看Spark相关服务是否正常。