如何以加密格式保存spark数据集？

Question

我正在本地机器中将spark数据集保存为拼花文件。我想知道是否有任何方法可以使用某种加密算法对数据进行加密。我用来将数据保存为拼花文件的代码如下所示。

<代码>数据集。写入（）。模式（“覆盖”）。拼花地板

我看到了一个类似的问题，但我的查询不同，因为我正在写入本地磁盘。

Answer 1

我不认为你们可以直接在Spark上做，但在特殊的Apache Arrow中，你们可以在拼花地板上做其他项目。我想这段视频解释了如何做到这一点：

https://databricks.com/session_na21/data-security-at-scale-through-spark-and-parquet-encryption

更新：自Spark 3.2.0以来，这似乎是可能的。

Answer 2

从Spark 3.2开始，Parket表支持柱状加密。

例如：

hadoopConfiguration.set("parquet.encryption.kms.client.class" ,
   "org.apache.parquet.crypto.keytools.mocks.InMemoryKMS");

// Explicit master keys (base64 encoded) - required only for mock InMemoryKMS
hadoopConfiguration.set("parquet.encryption.key.list" ,
   "keyA:AAECAwQFBgcICQoLDA0ODw== ,  keyB:AAECAAECAAECAAECAAECAA==");

// Activate Parquet encryption, driven by Hadoop properties
hadoopConfiguration.set("parquet.crypto.factory.class" ,
   "org.apache.parquet.crypto.keytools.PropertiesDrivenCryptoFactory");

// Write encrypted dataframe files. 
// Column "square" will be protected with master key "keyA".
// Parquet file footers will be protected with master key "keyB"
squaresDF.write().
   option("parquet.encryption.column.keys" , "keyA:square").
   option("parquet.encryption.footer.key" , "keyB").
   parquet("/path/to/table.parquet.encrypted");

// Read encrypted dataframe files
Dataset<Row> df2 = spark.read().parquet("/path/to/table.parquet.encrypted");

这是基于以下用法示例：https://spark.apache.org/docs/3.2.0/sql-data-sources-parquet.html#columnar-encryption