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

Question

Estou executando o Jupyterhub no EKS e desejo aproveitar as funcionalidades do EKS IRSA para executar cargas de trabalho do Spark no K8s. Eu tinha experiência anterior no uso do Kube2IAM, mas agora estou planejando mudar para o IRSA.

Esse erro não é devido ao IRSA, já que as contas de serviço estão sendo anexadas perfeitamente aos pods do driver e do executor e posso acessar o S3 via CLI e SDK de ambos. Este problema está relacionado ao acesso ao S3 usando Spark no Spark 3.0 / Hadoop 3.2

Py4JJavaError: Ocorreu um erro ao chamar None.org.apache.spark.api.java.JavaSparkContext. : java.lang.NoClassDefFoundError: com / amazonaws / services / s3 / model / MultiObjectDeleteException

Estou usando as seguintes versões -

• 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

Eu testei com uma versão diferente também.

• aws-java-sdk-1.11.563.jar

Por favor, ajude a dar uma solução se alguém se deparar com esse problema.

PS: Este não é um erro de política IAM também, porque as políticas IAM são perfeitamente adequadas.

Answer 1

Finalmente, todos os problemas são resolvidos com os frascos abaixo -

• 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)

Qualquer pessoa que esteja tentando executar o Spark no EKS usando IRSA, esta é a configuração correta do Spark -

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

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

• Spark 2.4.4
• Hadoop 2.7.3
• AWS SDK 1.11.834

O exemplo de envio de faísca é

/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