Использование Yandex Object Storage в Yandex Data Processing

Статья создана

Улучшена

Обновлена 16 сентября 2024 г.

DistCp
Оптимизация чтения файлов из Object Storage
Оптимизация записи файлов в Object Storage
Использование s3fs
Использование Object Storage в Spark

В этом разделе рассмотрены различные способы доступа к объектам из бакетов Object Storage для процессов, запущенных на кластерах Yandex Data Processing.

Примечание

Настройте сеть кластера перед настройкой доступа к сервисам Yandex Cloud и интернет-ресурсам.

На скорость чтения и записи файлов в бакеты влияют настройки компонентов:

Настройки, заданные при создании кластера, влияют на все запущенные в кластере задания.
Настройки, заданные при создании заданий, переопределяют настройки уровня кластера и могут быть индивидуальными для каждого задания.

DistCp

Для копирования файлов из Object Storage в HDFS используйте утилиту DistCp. Она предназначена для копирования данных как внутри кластера, так и между кластерами и внешними хранилищами.

Для аутентификации в Object Storage можно использовать один из подходов:

Использовать IAM-токен сервисного аккаунта кластера.
Использовать CredentialProvider.
Передавать параметры access key и secret key статических ключей доступа при создании задачи.

Доступ в S3 с аутентификацией через IAM-токен сервисного аккаунта кластера

При создании кластера укажите сервисный аккаунт. Если кластер уже создан, добавьте сервисный аккаунт с помощью кнопки Редактировать в консоли управления.

Сервисному аккаунту должны быть назначены роли:
- dataproc.agent — чтобы сервисный аккаунт мог получать информацию о состоянии хостов кластера, заданиях и лог-группах.
- dataproc.provisioner — чтобы сервисный аккаунт мог взаимодействовать с автоматически масштабируемой группой ВМ. Тогда будет доступно автомасштабирование подкластеров.
У сервисного аккаунта должен быть доступ к нужному бакету. Для этого выдайте сервисному аккаунту права в ACL бакета, либо роль storage.viewer или storage.editor.

Подробнее про эти роли см. в документации Object Storage.

Например, получите список файлов, находящихся в публичном бакете yc-mdb-examples по пути dataproc/example01/set01. Для этого подключитесь к кластеру и выполните команду:
hadoop fs -ls s3a://yc-mdb-examples/dataproc/example01/set01
Результат:
Found 12 items
-rw-rw-rw-   1 root root   19327838 2019-09-13 17:17 s3a://yc-mdb-examples/dataproc/example01/set01/On_Time_Reporting_Carrier_On_Time_Performance_(1987_present)_2018_1.parquet
-rw-rw-rw-   1 root root   21120204 2019-09-13 17:17 s3a://yc-mdb-examples/dataproc/example01/set01/On_Time_Reporting_Carrier_On_Time_Performance_(1987_present)_2018_10.parquet
-rw-rw-rw-   1 root root   20227757 2019-09-13 17:17 s3a://yc-mdb-examples/dataproc/example01/set01/
...

Копирование с использованием CredentialProvider

Чтобы воспользоваться провайдером для хранения секретов, разместите эти секреты в компонентах, которым нужен доступ к Object Storage. Для этого можно воспользоваться JCEKS (Java Cryptography Extension KeyStore).
В примере вы создадите файл с секретами, который затем разместите в HDFS:

Укажите статический и секретный ключи, например:

hadoop credential create fs.s3a.access.key \
       -value <статический_ключ> \
       -provider localjceks://file/home/jack/yc.jceks && \
hadoop credential create fs.s3a.secret.key \
       -value <секретный_ключ> \
       -provider localjceks://file/home/jack/yc.jceks

Перенесите файл секрета в локальный HDFS:
```
hdfs dfs -put /home/jack/yc.jceks /user/root/
```

Скопируйте файл из Object Storage непосредственно в HDFS:

hadoop distcp \
       -D fs.s3a.bucket.dataproc-examples.endpoint=storage.yandexcloud.net \
       -D hadoop.security.credential.provider.path=jceks://hdfs/user/root/yc.jceks \
       -update \
       -skipcrccheck \
       -numListstatusThreads 10 \
       s3a://yc-mdb-examples/dataproc/example01/set01 \
       hdfs://<хост_HDFS>/<путь>/

<хост_HDFS> — целевой сервер HDFS, который вы используете. Сервер по умолчанию можно получить с помощью команды:

hdfs getconf -confKey fs.defaultFS

Пример команды копирования файлов из бакета:

hadoop distcp \
       -D fs.s3a.bucket.dataproc-examples.endpoint=storage.yandexcloud.net \
       -D hadoop.security.credential.provider.path=jceks://hdfs/user/root/yc.jceks \
       -update \
       -skipcrccheck \
       -numListstatusThreads 10 \
       s3a://yc-mdb-examples/dataproc/example01/set01 \
       hdfs://rc1b-dataproc-m-d31bs470ivkyrz60.mdb.yandexcloud.net/user/root/datasets/set01/

Копирование файлов с передачей ключей в аргументах

Вы можете не создавать файл секретов, а передавать ключи в аргументах команды:

hadoop distcp \
       -D fs.s3a.bucket.dataproc-examples.endpoint=storage.yandexcloud.net \
       -D fs.s3a.bucket.dataproc-examples.access.key=<статический_ключ> \
       -D fs.s3a.bucket.dataproc-examples.secret.key=<секретный_ключ> \
       -update \
       -skipcrccheck \
       -numListstatusThreads 10 \
       s3a://yc-mdb-examples/dataproc/example01/set01 \
       hdfs://rc1b-dataproc-m-d31bs470ivkyrz60.mdb.yandexcloud.net/user/root/datasets/set01/

Оптимизация чтения файлов из Object Storage

Способ чтения данных из бакета определяется настройкой fs.s3a.experimental.input.fadvise. Ее значение зависит от версии используемого образа:

В образах версий 1.0—1.4 по умолчанию используется значение sequential. Оно подходит для операций последовательного чтения файлов, но для произвольного работает медленно. Если вы чаще используете произвольный доступ к файлам, добавьте в свойства компонентов кластера или укажите в настройках задания значение random.
В образе версии 2.0 по умолчанию используется значение normal: работа с файлами происходит в последовательном режиме, но если приложение выполняет операции произвольного доступа, режим автоматически переключается на random.

Подробнее об используемых версиях компонентов см. в разделе Среда исполнения.

Оптимизация записи файлов в Object Storage

Чтобы увеличить скорость записи файлов в Object Storage, вы можете:

Использование коммиттеров S3A

Коммиттеры S3A — входящий в состав Apache Hadoop набор программных модулей для записи данных в объектное хранилище по протоколу S3, обеспечивающий эффективное и приближенное к атомарному подтверждение выполненных изменений. Подробнее см. в документации Apache Hadoop и Apache Spark.

Примечание

Коммиттеры S3A не используются и не требуются для работы с таблицами, управляемыми средствами библиотеки DeltaLake, которая реализует собственную логику для работы с данными в объектном хранилище.

Есть три основных режима работы коммиттеров S3A:

Режим	Среда	Необходим HDFS	Запись в партиционированные таблицы	Скорость записи
`directory`	MapReduce, Spark	Да^*	Полная перезапись	Обычная
`magic`	MapReduce, Spark	Нет (запись напрямую в S3)	Не поддерживается	Максимальная
`partitioned`	Spark	Да^*	Замена и дополнение партиций	Обычная

^* В режимах directory и partitioned не производится проверка на фактическое наличие HDFS для хранения промежуточных данных. При этом часть заданий могут успешно отрабатывать без HDFS, однако в сложных заданиях могут возникнуть проблемы, проявляющиеся в виде ошибок «файл не найден» или неполной записи результатов задания в Object Storage.

Чтобы включить коммиттеры S3A, задайте значения следующих настроек:

core:fs.s3a.committer.magic.enabled : true, если задания будут использовать режим magic.
core:fs.s3a.committer.name — используемый режим по умолчанию: directory, magic или partitioned.
core:fs.s3a.committer.staging.abort.pending.uploads : false для Hadoop 3.2.2 в составе образа Yandex Data Processing версии 2.0 или core:fs.s3a.committer.abort.pending.uploads : false для Hadoop 3.3.2 в составе образа 2.1, если несколько параллельно работающих заданий выполняют запись в одну и ту же таблицу.
core:mapreduce.outputcommitter.factory.scheme.s3a : org.apache.hadoop.fs.s3a.commit.S3ACommitterFactory.
spark:spark.hadoop.fs.s3a.committer.name — используемый режим по умолчанию: directory, magic или partitioned.
spark:spark.sql.parquet.output.committer.class : org.apache.spark.internal.io.cloud.BindingParquetOutputCommitter.
spark:spark.sql.sources.commitProtocolClass : org.apache.spark.internal.io.cloud.PathOutputCommitProtocol.
(опционально) core:fs.s3a.committer.staging.conflict-mode — действие при обнаружении в целевой таблице уже существующих партиций с данными (при использовании режима partitioned):
- append — данные в существующей партиции дополняются новыми данными.
- fail — при попытке перезаписи существующей партиции задание останавливается с ошибкой.
- replace — данные в существующей партиции заменяются данными новой партиции.

Используемый режим работы коммиттеров S3A может переопределяться для конкретного задания путем установки настроек fs.s3a.committer.name и spark.hadoop.fs.s3a.committer.name в необходимое значение (directory, magic или partitioned).

Не следует менять значение по умолчанию для настройки spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version, поскольку Yandex Object Storage не поддерживает атомарные переименования каталогов.

Настройки Apache Hadoop

Способ записи данных в бакет Object Storage определяется настройкой core:fs.s3a.fast.upload. Ее значение зависит от версии используемого образа:

В образах версий 1.0—1.4 по умолчанию используется значение false для экономии RAM. Укажите для этой настройки значение true в свойствах компонентов кластера или настройках задания. Это ускорит запись в бакет больших файлов и предотвратит переполнение хранилищ узлов.
В образе версии 2.0 настройка fs.s3a.fast.upload включена по умолчанию.

При необходимости укажите значения других настроек, отвечающих за режим записи в Object Storage:

fs.s3a.committer.threads — количество потоков, выполняющих фиксацию изменений в Object Storage в конце работы задания.
fs.s3a.connection.maximum — количество разрешенных соединений с Object Storage.
fs.s3a.connection.timeout — максимальное время ожидания соединения с Object Storage в миллисекундах.
fs.s3a.fast.upload.active.blocks — максимальное количество блоков в одном потоке вывода.
fs.s3a.fast.upload.buffer — тип буфера, используемого для временного хранения загружаемых данных:
- disk — данные сохраняются в каталог, указанный в настройке fs.s3a.buffer.dir;
- array — используются массивы в куче JVM;
- bytebuffer — используется RAM вне кучи JVM.
fs.s3a.max.total.tasks — размер очереди операций над бакетом Object Storage, которые не могут быть запущены из-за исчерпания рабочих потоков.
fs.s3a.multipart.size — размер кусков (chunk) в байтах, на которые будут разбиты данные при копировании или выгрузке в бакет.
fs.s3a.threads.max — количество рабочих потоков в менеджере загрузок (AWS Transfer Manager).

Примечание

Большие значения этих параметров могут привести к увеличению потребления вычислительных ресурсов на хостах кластера Yandex Data Processing.

Подробнее см. в документации Apache Hadoop и разделе Свойства компонентов.

Настройки Apache Spark

При доступе к данным в Object Storage из заданий Spark рекомендовано использовать значение true для настройки spark.sql.hive.metastorePartitionPruning.

При работе с данными в формате Parquet в заданиях Spark рекомендованы настройки:

spark.hadoop.parquet.enable.summary-metadata : false
spark.sql.parquet.mergeSchema : false
spark.sql.parquet.filterPushdown : true

При работе с данными в формате Orc в заданиях Spark рекомендованы настройки:

spark.sql.orc.cache.stripe.details.size : 10000
spark.sql.orc.filterPushdown : true
spark.sql.orc.splits.include.file.footer : true

Задания, создающие или обновляющие большое количество (сотни и тысячи) партиций в таблицах, могут тратить много времени на актуализацию записей о партициях в кластере Hive Metastore. Для ускорения этого процесса увеличьте значения следующих настроек:

hive:datanucleus.connectionPool.maxPoolSize — максимальный размер пула соединений к БД Metastore.
hive:hive.metastore.fshandler.threads — количество рабочих потоков, выполняющих фоновые операции с файловой системой Metastore.
spark:spark.sql.addPartitionInBatch.size — количество партиций, актуализируемых за один вызов Metastore. Оптимальное значение — 10 × <значение_настройки_hive:hive.metastore.fshandler.threads> или выше.

Примечание

Чрезмерно большие значения перечисленных параметров могут привести к исчерпанию системных ресурсов Metastore. Большой размер пула соединений к БД Metastore может потребовать изменения настроек и увеличения объема вычислительных ресурсов кластера.

Подробнее см. в документации Apache Spark и разделе Свойства компонентов.

Использование s3fs

s3fs позволяет монтировать бакеты Object Storage посредством Fuse. Более подробно об использовании утилиты можно узнать на странице s3fs.

Использование Object Storage в Spark

Spark Shell

PySpark Shell

Реализуйте нужный вариант доступа:

С использованием JCEKS:

sc.hadoopConfiguration.set("fs.s3a.endpoint", "storage.yandexcloud.net");
sc.hadoopConfiguration.set("fs.s3a.signing-algorithm", "");
sc.hadoopConfiguration.set("fs.s3a.aws.credentials.provider", "org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider");
sc.hadoopConfiguration.set("hadoop.security.credential.provider.path", "jceks://hdfs/<путь_к_файлу_JCEKS>");

По ключу доступа и секрету:

sc.hadoopConfiguration.set("fs.s3a.endpoint", "storage.yandexcloud.net");
sc.hadoopConfiguration.set("fs.s3a.signing-algorithm", "");
sc.hadoopConfiguration.set("fs.s3a.aws.credentials.provider", "org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider");
sc.hadoopConfiguration.set("fs.s3a.access.key","<ключ_доступа>");
sc.hadoopConfiguration.set("fs.s3a.secret.key","<секрет_бакета>");

После этого можно читать файл из Object Storage:

val sqlContext = new org.apache.spark.sql.SQLContext(sc)
val df = sqlContext.read.parquet("s3a://<имя_бакета>/<путь_к_объекту>")

Выберите способ доступа:

Доступ к объектам Object Storage c использованием JCEKS:

sc._jsc.hadoopConfiguration().set("fs.s3a.endpoint", "storage.yandexcloud.net")
sc._jsc.hadoopConfiguration().set("fs.s3a.signing-algorithm", "")
sc._jsc.hadoopConfiguration().set("fs.s3a.aws.credentials.provider", "org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider")
sc._jsc.hadoopConfiguration().set("hadoop.security.credential.provider.path", "jceks://hdfs/<путь_к_файлу_JCEKS>")

Доступ по ключу доступа и секрету бакета:

sc._jsc.hadoopConfiguration().set("fs.s3a.endpoint", "storage.yandexcloud.net")
sc._jsc.hadoopConfiguration().set("fs.s3a.signing-algorithm", "")
sc._jsc.hadoopConfiguration().set("fs.s3a.aws.credentials.provider", "org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider")
sc._jsc.hadoopConfiguration().set("fs.s3a.access.key","<ключ_доступа>")
sc._jsc.hadoopConfiguration().set("fs.s3a.secret.key","<секрет_бакета>")

Получив доступ, вы можете читать файл напрямую из Object Storage:

from pyspark.sql import SQLContext

sql = SQLContext(sc)
df = sql.read.parquet("s3a://<имя_бакета>/<путь_к_объекту>")

Подробнее см. на странице Настройки Spark для работы с Yandex Object Storage.

Использование Yandex Object Storage в Yandex Data Processing

DistCpDistCp

Доступ в S3 с аутентификацией через IAM-токен сервисного аккаунта кластераДоступ в S3 с аутентификацией через IAM-токен сервисного аккаунта кластера

Копирование с использованием CredentialProviderКопирование с использованием CredentialProvider

Копирование файлов с передачей ключей в аргументахКопирование файлов с передачей ключей в аргументах

Оптимизация чтения файлов из Object StorageОптимизация чтения файлов из Object Storage

Оптимизация записи файлов в Object StorageОптимизация записи файлов в Object Storage

Использование коммиттеров S3AИспользование коммиттеров S3A

Настройки Apache HadoopНастройки Apache Hadoop

Настройки Apache SparkНастройки Apache Spark

Использование s3fsИспользование s3fs

Использование Object Storage в SparkИспользование Object Storage в Spark

Была ли статья полезна?

DistCp

Доступ в S3 с аутентификацией через IAM-токен сервисного аккаунта кластера

Копирование с использованием CredentialProvider

Копирование файлов с передачей ключей в аргументах

Оптимизация чтения файлов из Object Storage

Оптимизация записи файлов в Object Storage

Использование коммиттеров S3A

Настройки Apache Hadoop

Настройки Apache Spark

Использование s3fs

Использование Object Storage в Spark