无法从Sqoop创建的Spark中的序列文件创建数据框

Question

我想读取 orders 数据并从中创建 RDD，它作为 sequence 文件存储在 cloudera vm 的 hadoop fs 中。以下是我的步骤：

1) 将订单数据导入为序列文件：

sqoop import --connect jdbc:mysql://localhost/retail_db --username retail_dba --password cloudera  --table orders -m 1 --target-dir /ordersDataSet --as-sequencefile

2) 在 spark scala 中读取文件：

Spark 1.6

val sequenceData=sc.sequenceFile("/ordersDataSet",classOf[org.apache.hadoop.io.Text],classOf[org.apache.hadoop.io.Text]).map(rec => rec.toString())

3) 当我尝试从上面的 RDD 读取数据时，它抛出以下错误：

Caused by: java.io.IOException: WritableName can't load class: orders
    at org.apache.hadoop.io.WritableName.getClass(WritableName.java:77)
    at org.apache.hadoop.io.SequenceFile$Reader.getValueClass(SequenceFile.java:2108)
    ... 17 more
Caused by: java.lang.ClassNotFoundException: Class orders not found
    at org.apache.hadoop.conf.Configuration.getClassByName(Configuration.java:2185)
    at org.apache.hadoop.io.WritableName.getClass(WritableName.java:75)
    ... 18 more

不知道为什么说找不到订单。我哪里错了？

我也参考了这两个链接的代码，但运气不好：
1) Refer sequence part
2) Refer step no. 8

Answer 1

sqoop 与它关系不大，这里是一个更现实的场景示例，其中 saveAsSequenceFile 始终假定 k、v 对 - 这可能对您有所帮助：

import org.apache.hadoop.io._

val RDD = sc.parallelize( List( (1, List("A", "B")) , (2, List("B", "C")) , (3, List("C", "D", "E")) ) )
val RDD2 = RDD.map(x => (x._1, x._2.mkString("/")))
RDD2.saveAsSequenceFile("/rushhour/seq-directory/2")

val sequence_data = sc.sequenceFile("/rushhour/seq-directory/*", classOf[IntWritable], classOf[Text])
                  .map{case (x, y) => (x.get(), y.toString().split("/")(0), y.toString().split("/")(1))}

sequence_data.collect

returns:

res20: Array[(Int, String, String)] = Array((1,A,B), (2,B,C), (3,C,D), (1,A,B), (2,B,C), (3,C,D))

我不确定你是想要 RDD 还是 DF，但是将 RDD 转换为 DF 当然是微不足道的。

Answer 2

我找到了解决我自己问题的方法。好吧，我将写一个冗长的解决方案，但我希望它能有所帮助。

1) 当我尝试使用 SQOOP 读取在 HDFS 中导入的数据时，由于以下原因出现错误：

A) 序列文件都是关于 key-value pair。因此，当我使用 sqoop 导入它时，导入的数据不在键值对中，这就是读取它时抛出错误的原因。
B) 如果您尝试读取 few characters，您可以从中找出在读取序列文件时作为输入传递所需的 two classes，您将获得如下数据：

[cloudera@quickstart ~]$ hadoop fs -cat /user/cloudera/problem5/sequence/pa* | head -c 300
SEQ!org.apache.hadoop.io.LongWritableorders�;�M��c�K�����@���-OCLOSED@���PENDING_PAYMENT@���/COMPLETE@���"{CLOSED@���cat: Unable to write to output stream.

上面你只能看到 one class 即 org.apache.hadoop.io.LongWritable 并且当我在读取序列数据时传递它时它会抛出 post 中提到的错误。

val sequenceData=sc.sequenceFile("/ordersDataSet",classOf[org.apache.hadoop.io.LongWritable],classOf[org.apache.hadoop.io.LongWritable]).map(rec => rec.toString())

我不认为 B 点是该错误的主要原因，但我非常确定 A 点是该错误的真正罪魁祸首。

2) 以下是我解决问题的方法。

我使用 SQOOP 在其他目标中将数据作为 avro data 文件导入。然后我使用以下方式从 avro 创建数据框：

scala> import com.databricks.spark.avro._;
scala> val avroData=sqlContext.read.avro("path")

现在我创建了 key-value pair 并将其保存为 sequence 文件

avroData.map(p=>(p(0).toString,(p(0)+"\t"+p(1)+"\t"+p(2)+"\t"+p(3)))).saveAsSequenceFile("/user/cloudera/problem5/sequence")

现在，当我尝试读取上述书面文件的 few 个字符时，它给了我 two classes，这是我在读取文件时需要的，如下所示：

[cloudera@quickstart ~]$ hadoop fs -cat /user/cloudera/problem5/sequence/part-00000 | head -c 300
SEQorg.apache.hadoop.io.Textorg.apache.hadoop.io.Text^#%���8P���11  1374735600000   11599   CLOSED&2#2  1374735600000   256 PENDING_PAYMENT!33  1374735600000   12111   COMPLETE44  1374735600000   8827    CLOSED!55   1374735600000   11318   COMPLETE 66 1374cat: Unable to write to output stream.  

scala> val sequenceData=sc.sequenceFile("/user/cloudera/problem5/sequence",classOf[org.apache.hadoop.io.Text],classOf[org.apache.hadoop.io.Text]).map(rec=>rec.toString)
sequenceData: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[26] at map at <console>:30

现在，当我尝试打印数据时，它显示的数据如下：

scala> sequenceData.take(4).foreach(println)
(1,1    1374735600000   11599   CLOSED)
(2,2    1374735600000   256 PENDING_PAYMENT)
(3,3    1374735600000   12111   COMPLETE)
(4,4    1374735600000   8827    CLOSED)

最后但同样重要的是，感谢大家的辛勤付出。干杯！！

无法从Sqoop创建的Spark中的序列文件创建数据框

unable to create dataframe from sequence file in Spark created by Sqoop

hadoop

scala

sqoop

sequencefile

apache-spark