Spark使用JindoSDK查询OSS-HDFS服务中的数据 - 对象存储 OSS

JindoSDK是一个面向Hadoop、Spark生态且简单易用的OSS客户端，为OSS提供高度优化的Hadoop FileSystem实现。相对于Hadoop社区OSS客户端，Spark使用JindoSDK查询OSS-HDFS服务中的数据时，可以获得更好的性能。

前提条件

已创建ECS实例。具体步骤，请参见选购ECS实例。
已创建Hadoop环境。具体步骤，请参见创建Hadoop运行环境。
已部署Apache Spark。具体步骤，请参见Apache Spark。
已开通并授权访问OSS-HDFS服务。具体操作，请参见开通并授权访问OSS-HDFS服务。

操作步骤

连接ECS实例。具体操作，请参见连接ECS实例。
配置JindoSDK。
1. 下载最新版本的JindoSDK JAR包。下载地址，请参见GitHub。
2. 解压JindoSDK JAR包。
  以下以解压jindosdk-x.x.x-linux.tar.gz为例，如使用其他版本的JindoSDK，请替换为对应的JAR包名称。
```
tar zxvf jindosdk-x.x.x-linux.tar.gz
```
  说明
  x.x.x表示JindoSDK JAR包版本号。
3. 可选：如果您的环境中未包含Kerberos和SASL相关依赖，则需要在部署JindoSDK的所有节点安装以下依赖。
  - Ubuntu或Debian
```
sudo apt-get install libkrb5-dev krb5-admin-server krb5-kdc krb5-user libsasl2-dev libsasl2-modules libsasl2-modules-gssapi-mit
```
  - Red Hat Enterprise Linux或CentOS
```
sudo yum install krb5-server krb5-workstation cyrus-sasl-devel cyrus-sasl-gssapi cyrus-sasl-plain
```
  - macOS
```
brew install krb5
```
4. 将已下载的JindoSDK JAR包拷贝至Spark的classpath路径下。
```
cp jindosdk-x.x.x-linux/lib/*.jar  $SPARK_HOME/jars/
```

配置OSS-HDFS服务实现类及AccessKey。

在core-site.xml文件中配置

将OSS-HDFS服务实现类配置到Spark的core-site.xml配置文件中。

<configuration>
    <property>
        <name>fs.AbstractFileSystem.oss.impl</name>
        <value>com.aliyun.jindodata.oss.JindoOSS</value>
    </property>

    <property>
        <name>fs.oss.impl</name>
        <value>com.aliyun.jindodata.oss.JindoOssFileSystem</value>
    </property>
</configuration>

将已开启OSS-HDFS服务的Bucket对应的AccessKey ID、AccessKey Secret配置在Spark的core-site.xml配置文件中。

<configuration>
    <property>
        <name>fs.oss.accessKeyId</name>
        <value>LTAI********</value>
    </property>

    <property>
        <name>fs.oss.accessKeySecret</name>
        <value>KZo1********</value>
    </property>
</configuration>

在提交任务时配置

在提交Spark任务时配置OSS-HDFS服务实现类及AccessKey，示例如下：

spark-submit --conf spark.hadoop.fs.AbstractFileSystem.oss.impl=com.aliyun.jindodata.oss.OSS --conf spark.hadoop.fs.oss.impl=com.aliyun.jindodata.oss.JindoOssFileSystem --conf spark.hadoop.fs.oss.accessKeyId=LTAI********  --conf spark.hadoop.fs.oss.accessKeySecret=KZo149BD9GLPNiDIEmdQ7d****

配置OSS-HDFS服务Endpoint。
使用OSS-HDFS服务访问OSS Bucket时需要配置Endpoint。推荐访问路径格式为oss://<Bucket>.<Endpoint>/<Object>，例如oss://examplebucket.cn-shanghai.oss-dls.aliyuncs.com/exampleobject.txt。配置完成后，JindoSDK会根据访问路径中的Endpoint访问对应的OSS-HDFS服务接口。
您还可以通过其他方式配置OSS-HDFS服务Endpoint，且不同方式配置的Endpoint存在生效优先级。更多信息，请参见附录一：配置Endpoint的其他方式。

使用Spark访问OSS-HDFS。

创建表。

create table test_oss (c1 string) location "oss://examplebucket.cn-hangzhou.oss-dls.aliyuncs.com/dir/";

往表中插入数据。

insert into table test_oss values ("testdata");

查询表。
```
select * from test_oss;
```