使用 Hudi 时无法在 EMR 中的 AWS Glue Catalog 上运行 spark.sql

如何解决使用 Hudi 时无法在 EMR 中的 AWS Glue Catalog 上运行 spark.sql

我们的设置配置为在 AWS 上有一个默认数据湖，使用 S3 作为存储，使用 glue Catalog 作为我们的元存储。

我们开始使用 Apache Hudi，我们可以在 AWS documentation 之后让它工作。问题是，当使用文档中指示的配置和 JAR 时，我们无法在 glue metastore 上运行 upper。

以下是一些信息。

我们正在使用 spark.sql 创建集群：

boto3

我们使用上述文档中的示例启动 pyspark shell：

emr.run_job_flow(
    Name='hudi_debugging',LogUri='s3n://mybucket/elasticmapreduce/',ReleaseLabel='emr-5.28.0',Applications=[
        {
            'Name': 'Spark'
        },{
            'Name': 'Hive'
        },{
            'Name': 'Hadoop'
        }
    ],Instances={
        'InstanceGroups': [
            {
                'Name': 'Core Instance Group','Market': 'SPOT','InstanceCount': 3,'EbsConfiguration': {'EbsBlockDeviceConfigs': [
                    {'VolumeSpecification': {'SizeInGB': 16,'VolumeType': 'gp2'},'VolumesPerInstance': 1}]},'InstanceRole': 'CORE','InstanceType': 'm5.xlarge'
            },{
                'Name': 'Master Instance Group','Market': 'ON_DEMAND','InstanceCount': 1,'EbsConfiguration': {'EbsBlockDeviceConfigs': [
                    {'VolumeSpecification': {'SizeInGB':16,'InstanceRole': 'MASTER','InstanceType': 'm5.xlarge'
            }
        ],'Ec2KeyName': 'dataengineer','Ec2subnetId': 'mysubnet','EmrManagedMasterSecurityGroup': 'mysg','EmrManagedSlaveSecurityGroup': 'mysg','KeepJobFlowAliveWhenNoSteps': True,},Configurations=[
        {
            'Classification': 'hive-site','Properties': {
                'hive.metastore.client.factory.class': 'com.amazonaws.glue.catalog.metastore.AWSglueDataCatalogHiveClientFactory'}
        },{
            'Classification': 'spark-hive-site',{
            "Classification": "spark-env","Configurations": [
                {
                    "Classification": "export","Properties": {
                        "PYSPARK_PYTHON": "/usr/bin/python3","PYSPARK_DRIVER_PYTHON": "/usr/bin/python3","PYTHONIOENCODING": "utf8"
                    }
                }
            ]
        },{
            "Classification": "spark-defaults","Properties": {
                "spark.sql.execution.arrow.enabled": "true"
            }
        },{
            "Classification": "spark","Properties": {
                "maximizeResourceAllocation": "true"
            }
        }
    ],BootstrapActions=[
        {
            'Name': 'Bootstrap action','ScriptBootstrapAction': {
                'Path': 's3://mybucket/bootstrap_emr.sh','Args': []
            }
        },],Steps=[
        {
            'Name': 'Setup Hadoop Debugging','ActionOnFailure': 'TERMINATE_CLUSTER','HadoopJarStep': {
                'Jar': 'command-runner.jar','Args': ['state-pusher-script']
            }
        }
    ],JobFlowRole='EMR_EC2_DefaultRole',ServiceRole='EMR_DefaultRole',ScaleDownBehavior='TERMINATE_AT_TASK_COMPLETION',VisibletoAllUsers=True
)

然后，在 shell 中，当我们运行 pyspark \ --conf "spark.serializer=org.apache.spark.serializer.KryoSerializer" \ --conf "spark.sql.hive.convertmetastoreParquet=false" \ --jars /usr/lib/hudi/hudi-spark-bundle.jar,/usr/lib/spark/external/lib/spark-avro.jar 时，我们得到以下错误：

spark.sql("show tables")

我们还尝试使用 Using Python version 3.7.9 (default,Aug 27 2020 21:59:41) SparkSession available as 'spark'. >>> spark.sql("show tables").show() 21/04/09 19:49:21 WARN HiveConf: HiveConf of name hive.server2.thrift.url does not exist Traceback (most recent call last): File "/usr/lib/spark/python/pyspark/sql/utils.py",line 63,in deco return f(*a,**kw) File "/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py",line 328,in get_return_value py4j.protocol.Py4JJavaError: An error occurred while calling o67.sql. : org.apache.spark.sql.AnalysisException: java.lang.NoSuchMethodError: org.apache.http.conn.ssl.SSLConnectionSocketFactory.<init>(Ljavax/net/ssl/SSLContext;Ljavax/net/ssl/HostnameVerifier;)V; at org.apache.spark.sql.hive.HiveExternalCatalog.withClient(HiveExternalCatalog.scala:128) at org.apache.spark.sql.hive.HiveExternalCatalog.databaseExists(HiveExternalCatalog.scala:238) at org.apache.spark.sql.internal.SharedState.externalCatalog$lzycompute(SharedState.scala:117) ... ... 44 more During handling of the above exception,another exception occurred: Traceback (most recent call last): File "<stdin>",line 1,in <module> File "/usr/lib/spark/python/pyspark/sql/session.py",line 767,in sql return DataFrame(self._jsparkSession.sql(sqlQuery),self._wrapped) File "/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py",line 1257,in __call__ File "/usr/lib/spark/python/pyspark/sql/utils.py",line 69,in deco raise AnalysisException(s.split(': ',1)[1],stackTrace) pyspark.sql.utils.AnalysisException: 'java.lang.NoSuchMethodError: org.apache.http.conn.ssl.SSLConnectionSocketFactory.<init>(Ljavax/net/ssl/SSLContext;Ljavax/net/ssl/HostnameVerifier;)V;' deploy-mode 和 client 将其作为一个步骤提交，并得到了类似的结果。

cluster

解决方法

spark.sql.hive.convertMetastoreParquet 需要设置为 true。

,

请在 github.com/apache/hudi/issues 中打开一个问题以获取 Hudi 社区的帮助。