在本地加载 Spark 数据不完整的 HDFS URI

Question

我在本地 CSV 文件中加载 SBT 时遇到问题。基本上，我在 Scala Eclipse 中编写了一个 Spark 程序，它读取以下文件：

val searches = sc.textFile("hdfs:///data/searches")

这在 hdfs 上工作正常，但出于调试原因，我希望从本地目录加载此文件，我已将其设置在项目目录中。

所以我厌倦了以下内容：

val searches = sc.textFile("file:///data/searches")
val searches = sc.textFile("./data/searches")
val searches = sc.textFile("/data/searches")

None 其中允许我从本地读取文件，并且所有这些 returns SBT 上的这个错误：

Exception in thread "main" java.io.IOException: Incomplete HDFS URI, no host: hdfs:/data/pages
at org.apache.hadoop.hdfs.DistributedFileSystem.initialize(DistributedFileSystem.java:143)
at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2397)
at org.apache.hadoop.fs.FileSystem.access0(FileSystem.java:89)
at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2431)
at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2413)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:368)
at org.apache.hadoop.fs.Path.getFileSystem(Path.java:296)
at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:256)
at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:228)
at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:304)
at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:179)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:204)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:202)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:202)
at org.apache.spark.rdd.MappedRDD.getPartitions(MappedRDD.scala:28)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:204)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:202)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:202)
at org.apache.spark.rdd.FlatMappedRDD.getPartitions(FlatMappedRDD.scala:30)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:204)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:202)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:202)
at org.apache.spark.rdd.MappedRDD.getPartitions(MappedRDD.scala:28)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:204)
at org.apache.spark.rdd.RDD$$anonfun$partitions.apply(RDD.scala:202)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:202)
at org.apache.spark.SparkContext.runJob(SparkContext.scala:1135)
at org.apache.spark.rdd.RDD.count(RDD.scala:904)
at com.user.Result$.get(SparkData.scala:200)
at com.user.StreamingApp$.main(SprayHerokuExample.scala:35)
at com.user.StreamingApp.main(SprayHerokuExample.scala)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at org.apache.spark.deploy.SparkSubmit$.launch(SparkSubmit.scala:328)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:75)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

在错误报告中，在com.user.Result$.get(SparkData.scala:200)处是调用sc.textFile的行。在 Hadoop 环境下似乎默认为运行。我可以做些什么来在本地读取这个文件吗？

编辑：在本地时，我重新配置了 build.sbt：

submit <<= inputTask{(argTask:TaskKey[Seq[String]]) => {
(argTask,mainClass in Compile,assemblyOutputPath in assembly,sparkHome) map { 
(args,main,jar,sparkHome) => {
  args match {
    case List(output) => {
      val sparkCmd = sparkHome+"/bin/spark-submit"
      Process(
        sparkCmd :: "--class" :: main.get :: "--master" :: "local[4]" ::
        jar.getPath :: "local[4]" :: output :: Nil)!
    } 
    case _ => Process("echo" :: "Usage" :: Nil) !
  }
}

}}}

提交命令是我用来运行代码的命令。

找到解决方案：事实证明 file:///path/ 是正确的方法，但在我的例子中，完整路径有效：即 home/projects/data/searches。虽然只是放置 data/searches 没有（尽管在 home/projects 目录下工作）。

Answer 1

这应该有效：

sc.textFile("file:///data/searches")

从你的错误来看，似乎 spark 正在加载 Hadoop 配置，当你有一个 Hadoop conf 文件或一个 Hadoop 环境变量集（比如 HADOOP_CONF_DIR）时，这可能会发生

Answer 2

使用：

val searches = sc.textFile("hdfs://host:port_no/data/searches")

默认

host: master
port_no: 9000

在本地加载 Spark 数据不完整的 HDFS URI

Load Spark data locally Incomplete HDFS URI

scala

sbt

apache-spark