Question

我通过Google云端控制台删除了Google云存储目录（该目录是由早期的Spark（版本1.3.1）作业生成的），当重新运行作业时，它总是失败，似乎目录仍然是在那里工作;我找不到gsutil的目录。

这是一个错误，还是我错过了什么？谢谢！

我得到的错误：

java.lang.RuntimeException: path gs://<my_bucket>/job_dir1/output_1.parquet already exists.
at scala.sys.package$.error(package.scala:27)
at org.apache.spark.sql.parquet.DefaultSource.createRelation(newParquet.scala:112)
at org.apache.spark.sql.sources.ResolvedDataSource$.apply(ddl.scala:240)
at org.apache.spark.sql.DataFrame.save(DataFrame.scala:1196)
at org.apache.spark.sql.DataFrame.saveAsParquetFile(DataFrame.scala:995)
at com.xxx.Job1$.execute(Job1.scala:64)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:569)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:166)
at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:189)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:110)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

Answer 1

看起来您可能遇到了NFS列表一致性缓存的已知错误：https://github.com/GoogleCloudPlatform/bigdata-interop/issues/5

它已在最新版本中修复，如果您通过使用bdutil-1.3.1（在此处公布：https://groups.google.com/forum/#!topic/gcp-hadoop-announce/vstNuV0LpDc）部署新群集进行升级，则应解决该问题。如果需要就地升级，可以尝试将最新的gcs-connector-1.4.1 jar文件下载到/home/hadoop/hadoop-install/lib/gcs-connector-*.jar下的主节点和工作节点上，然后重新启动Spark守护进程：

sudo sudo -u hadoop /home/hadoop/spark-install/sbin/stop-all.sh
sudo sudo -u hadoop /home/hadoop/spark-install/sbin/start-all.sh

调用Spark DataFrame.saveAsParquetFile（）时，已删除的google存储目录显示为“已存在”

1 个答案: