hadoop - 如何在使用 Google Cloud Dataproc 启动的 Spark 集群中启用 Snappy 编解码器支持？

Question

尝试从使用Google Cloud Dataproc启动的 Spark 集群中读取 Snappy 压缩序列文件时，我收到以下警告：

java.lang.RuntimeException: native snappy library not available: this version of libhadoop was built without snappy support.

在这种情况下启用 Snappy 编解码器支持的最佳方法是什么？

Answer 1

不幸的是，Dataproc 的启动映像是在没有 Snappy 支持的情况下构建的。我已经打开了一个错误来为下一张图片修复这个问题。

一种解决方法：

1. 首先创建一个小的 shell 脚本来正确安装 snappy 和它的本地库支持。为此，我们将使用 bdutil 使用的相同本地库。我调用了我的脚本setup-snappy.sh：

   #!/bin/bash
   
   pushd "$(mktemp -d)"
   apt-get install -q -y libsnappy1
   wget https://storage.googleapis.com/hadoop-native-dist/Hadoop_2.7.1-Linux-amd64-64.tar.gz
   tar zxvf Hadoop_2.7.1-Linux-amd64-64.tar.gz -C /usr/lib/hadoop/
   

2. 将新的 shell 脚本复制到您拥有的 GCS 存储桶中。出于演示目的，我们假设存储桶是dataproc-actions：

   gsutil cp ./setup-snappy.sh gs://dataproc-actions/setup-snappy.sh
   

3. 启动集群时，指定初始化操作：

   gcloud beta dataproc clusters create --initialization-actions gs://dataproc-actions/setup-snappy.sh mycluster
   

Answer 2

我自己没有这样做，但是这篇文章应该可以解决您的问题：

对于安装和配置其他系统级组件，bdutil 支持扩展机制。一个很好的扩展示例是与 bdutil 捆绑在一起的 Spark 扩展：extensions/spark/spark_env.sh。当运行 bdutil 扩展时添加了 -e 标志，例如，使用 Hadoop 部署 Spark：

./bdutil -e extensions/spark/spark_env.sh 部署