Error de AWS EKS Spark 3.0, Hadoop 3.2: NoClassDefFoundError: com / amazonaws / services / s3 / model / MultiObjectDeleteException

Question

Estoy ejecutando Jupyterhub en EKS y quiero aprovechar las funcionalidades de EKS IRSA para ejecutar cargas de trabajo Spark en K8. Tenía experiencia previa en el uso de Kube2IAM, sin embargo ahora planeo mudarme a IRSA.

Este error no se debe a IRSA, ya que las cuentas de servicio se adjuntan perfectamente bien a los pods de Driver y Executor y puedo acceder a S3 a través de CLI y SDK desde ambos. Este problema está relacionado con el acceso a S3 usando Spark en Spark 3.0 / Hadoop 3.2

Py4JJavaError: se produjo un error al llamar a None.org.apache.spark.api.java.JavaSparkContext. : java.lang.NoClassDefFoundError: com / amazonaws / services / s3 / model / MultiObjectDeleteException

Estoy usando las siguientes versiones:

• APACHE_SPARK_VERSION = 3.0.1
• HADOOP_VERSION = 3.2
• aws-java-sdk-1.11.890
• hadoop-aws-3.2.0
• Python 3.7.3

También probé con diferentes versiones.

• aws-java-sdk-1.11.563.jar

Ayude a dar una solución si alguien se ha encontrado con este problema.

PD: Esto tampoco es un error de política de IAM, porque las políticas de IAM están perfectamente bien.

Answer 1

Finalmente, todos los problemas se resuelven con los siguientes frascos:

• hadoop-aws-3.2.0.jar
• aws-java-sdk-bundle-1.11.874.jar (https://mvnrepository.com/artifact/com.amazonaws/aws-java-sdk-bundle/1.11.874)

Cualquiera que esté intentando ejecutar Spark en EKS usando IRSA, esta es la configuración de Spark correcta:

from pyspark.sql import SparkSession

spark = SparkSession.builder \
        .appName("pyspark-data-analysis-1") \
        .config("spark.kubernetes.driver.master","k8s://https://xxxxxx.gr7.ap-southeast-1.eks.amazonaws.com:443") \
        .config("spark.kubernetes.namespace", "jupyter") \
        .config("spark.kubernetes.container.image", "xxxxxx.dkr.ecr.ap-southeast-1.amazonaws.com/spark-ubuntu-3.0.1") \
        .config("spark.kubernetes.container.image.pullPolicy" ,"Always") \
        .config("spark.kubernetes.authenticate.driver.serviceAccountName", "spark") \
        .config("spark.kubernetes.authenticate.executor.serviceAccountName", "spark") \
        .config("spark.kubernetes.executor.annotation.eks.amazonaws.com/role-arn","arn:aws:iam::xxxxxx:role/spark-irsa") \
        .config("spark.hadoop.fs.s3a.aws.credentials.provider", "com.amazonaws.auth.WebIdentityTokenCredentialsProvider") \
        .config("spark.kubernetes.authenticate.submission.caCertFile", "/var/run/secrets/kubernetes.io/serviceaccount/ca.crt") \
        .config("spark.kubernetes.authenticate.submission.oauthTokenFile", "/var/run/secrets/kubernetes.io/serviceaccount/token") \
        .config("spark.hadoop.fs.s3a.multiobjectdelete.enable", "false") \
        .config("spark.hadoop.fs.s3a.impl", "org.apache.hadoop.fs.s3a.S3AFileSystem") \
        .config("spark.hadoop.fs.s3a.fast.upload","true") \
        .config("spark.executor.instances", "1") \
        .config("spark.executor.cores", "3") \
        .config("spark.executor.memory", "10g") \
        .getOrCreate()

Answer 2

Puede consultar este blog (https://medium.com/swlh/how-to-perform-a-spark-submit-to-amazon-eks-cluster-with-irsa-50af9b26cae) con:

• Spark 2.4.4
• Hadoop 2.7.3
• AWS SDK 1.11.834

El ejemplo spark-submit es

/opt/spark/bin/spark-submit \
    --master=k8s://https://4A5<i_am_tu>545E6.sk1.ap-southeast-1.eks.amazonaws.com \
    --deploy-mode cluster \
    --name spark-pi \
    --class org.apache.spark.examples.SparkPi \
    --conf spark.kubernetes.driver.pod.name=spark-pi-driver \
    --conf spark.kubernetes.container.image=vitamingaugau/spark:spark-2.4.4-irsa \
    --conf spark.kubernetes.namespace=spark-pi \
    --conf spark.kubernetes.authenticate.driver.serviceAccountName=spark-pi \
    --conf spark.kubernetes.authenticate.executor.serviceAccountName=spark-pi \
    --conf spark.hadoop.fs.s3a.aws.credentials.provider=com.amazonaws.auth.WebIdentityTokenCredentialsProvider \
    --conf spark.kubernetes.authenticate.submission.caCertFile=/var/run/secrets/kubernetes.io/serviceaccount/ca.crt \
    --conf spark.kubernetes.authenticate.submission.oauthTokenFile=/var/run/secrets/kubernetes.io/serviceaccount/token \
    local:///opt/spark/examples/target/scala-2.11/jars/spark-examples_2.11-2.4.4.jar 20000