MRS HADOOP/SPARK 代码访问OBS方式介绍

1      背景描述：

MRS样例代码没有介绍如何访问OBS，在默认情况下使用的文件系统都是HDFS；如果访问OBS需要添加一些配置，代码使用过程中也有一些需要注意的地方

2      配置OBS相关参数：

需要在客户端配置文件core-site.xml里面添加以下参数：

<property>
    <name>fs.obs.access.key</name>
    <value>ak</value>
</property>
<property>
    <name>fs.obs.secret.key</name>
    <value>sk</value>
</property>
<property>
    <name>fs.obs.endpoint</name>
    <value>obs-endpoint</value>
</property>

需要注意的是，此方式设置的aksk会明文暴露下文件中，谨慎使用

如果不想要明文显示可以设置ECS代理，参考指导文档<ECS委托方式访问OBS>：https://support.huaweicloud.com/usermanual-mrs/mrs_01_0643.html

3      代码指导：

代码基础参考MRS样例代码，获取方式参考指导文档<MapReduce服务样例工程构建方式>：https://support.huaweicloud.com/devg-mrs/mrs_06_0002.html

hadoop的文件系统对象是一个抽象类：org.apache.hadoop.fs.FileSystem

常用的获取FileSystem的方式是：

FileSystem fileSystem = FileSystem.get(conf);

此方法获取到的文件系统为配置项“fs.defaultFS”指定的文件系统类型

如果我们需要的是访问OBS的文件系统则需要使用另一个方法来获取FileSystem：

FileSystem fileSystem = FileSystem.get(URI.create("obs://Bucket-Name/tmp"),conf);

此时获取到的文件系统就是对应OBS的文件系统

obs://Bucket-Name/tmp  

如果地址是s3a开头，这文件系统是S3aFileSystem

如果地址是obs开头，这文件系统是OBSFileSystem

此处一般都是传递过来一个文件地址参数，然后通过这个方法来自动识别文件系统

以上是对于hdfs API操作OBS文件的连接方式

如果是MapReduce任务需要读取/写入OBS的文件，可以直接将”obs://Bucket-Name/tmp”这样的地址传入，代码可以自动识别到文件系统并获取相应的文件，代码参考样例代码：

FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

如果是spark任务需要读取/写入OBS的文件，使用以下方法可以自动识别到相应的文件系统：

textFile(args[0])–读取文件

saveAsTextFile(args[1])–保存文件

saveAsHadoopFile(args[2])—指定格式保存文件

4      案例说明

例如我们使用MapReduce的wordcount任务：
访问hdfs上的文件进行计算启动命令：

yarn jar hadoop-mapreduce-examples-*.jar wordcount /tmp/input /tmp/output

如果需要访问OBS，则可以改成：

yarn jar hadoop-mapreduce-examples-*.jar wordcount obs://Bucket-Name/tmp/input obs://Bucket-Name/tmp/output

spark任务也是类似的操作，以spark自带样例为例：

spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.JavaWordCount spark-examples_*.jar /tmp/input

如果需要访问OBS，则可以改成：

spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.JavaWordCount spark-examples_*.jar obs://Bucket-Name/tmp/input