尝试使用 Sparklyr 将 R 连接到 Spark

Question

我正在尝试使用 Sparklyr 将 R 连接到 Spark。

我遵循了 rstudio 博客中的教程

我尝试使用

安装 sparklyr

install.packages("sparklyr") 一切顺利，但在另一个 post 中，我发现 sparklyr_0.4 版本中存在错误。所以我按照说明使用
devtools::install_github("rstudio/sparklyr") 也很顺利，现在我的 sparklyr 版本是 sparklyr_0.4.16.

我按照 rstudio 教程使用

下载并安装了 spark

spark_install(version = "1.6.2")

当我尝试使用

首次连接到 spark 时

sc <- spark_connect(master = "local")

出现以下错误。

Created default hadoop bin directory under: C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop
Error: 
To run Spark on Windows you need a copy of Hadoop winutils.exe:
1. Download Hadoop winutils.exe from:
   https://github.com/steveloughran/winutils/raw/master/hadoop-2.6.0/bin/
2. Copy winutils.exe to C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop\bin
Alternatively, if you are using RStudio you can install the RStudio Preview Release,
which includes an embedded copy of Hadoop winutils.exe:
  https://www.rstudio.com/products/rstudio/download/preview/**

然后我下载了 winutils.exe 并将其放在 C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop\bin - 这是在说明中给出的。

我尝试再次连接到 spark。

sc <- spark_connect(master = "local",version = "1.6.2")

但是我得到以下错误

Error in force(code) : 
Failed while connecting to sparklyr to port (8880) for sessionid (8982): Gateway in port (8880) did not respond.
Path: C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\bin\spark-submit2.cmd
Parameters: --class, sparklyr.Backend, --packages, "com.databricks:spark-csv_2.11:1.3.0", "C:\Users\rkaku\Documents\R\R-3.2.3\library\sparklyr\java\sparklyr-1.6-2.10.jar", 8880, 8982
Traceback:
  shell_connection(master = master, spark_home = spark_home, app_name = app_name, version = version, hadoop_version = hadoop_version, shell_args = shell_args, config = config, service = FALSE, extensions = extensions)
  start_shell(master = master, spark_home = spark_home, spark_version = version, app_name = app_name, config = config, jars = spark_config_value(config, "spark.jars.default", list()), packages = spark_config_value(config, "sparklyr.defaultPackages"), extensions = extensions, environment = environment, shell_args = shell_args, service = service)
  tryCatch({
gatewayInfo <- spark_connect_gateway(gatewayAddress, gatewayPort, sessionId, config = config, isStarting = TRUE)
}, error = function(e) {
abort_shell(paste("Failed while connecting to sparklyr to port (", gatewayPort, ") for sessionid (", sessionId, "): ", e$message, sep = ""), spark_submit_path, shell_args, output_file, error_file)
})
  tryCatchList(expr, classes, parentenv, handlers)
  tryCatchOne(expr, names, parentenv, handlers[[1]])
  value[[3]](cond)
  abort_shell(paste("Failed while connecting to sparklyr to port (", gatewayPort, ") for sessionid (", sessionId, "): ", e$message, sep = ""), spark_submit_path, shell_args, output_file, error_file)

---- Output Log ----
The system cannot find the path specified.

有人可以帮我解决这个问题吗？过去两周我一直在解决这个问题，但没有太多帮助。非常感谢任何能帮我解决这个问题的人。

Answer 1

我终于弄明白了这个问题，我很高兴能自己完成所有的事情。显然有很多谷歌搜索。

问题出在 Winutils.exe。

R studio 没有给出放置 winutils.exe 的正确位置。从我的问题中复制 - 要粘贴的位置 winutils.exe 是 C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop\bin。

但是在谷歌搜索时我发现将在临时文件夹中创建一个日志文件来检查问题，如下所示。

java.io.IOException：无法在 Hadoop 二进制文件中找到可执行文件 C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\bin\bin\winutils.exe

日志文件中给出的位置与 R Studio 建议的位置不同 :) 最后在 spark 日志文件引用的位置插入 winutils.exe 后，我能够成功连接到 Sparklyr ... ...呜呜呜呜！！！我不得不说仅仅连接到 Spark 就花了 3 周的时间，但这一切都是值得的:)

Answer 2

请介意任何代理

    Sys.getenv("http_proxy")
    Sys.setenv(http_proxy='')

对我有用

尝试使用 Sparklyr 将 R 连接到 Spark

Trying to Connect R to Spark using Sparklyr

r

apache-spark

sparklyr