Question

我已经尝试了How to load csv file into SparkR on RStudio?中几个建议的几种排列方式，但我只能将Spark解决方案的内存用于工作：

Sys.setenv(SPARK_HOME='C:/Users/myuser/apache/spark-1.6.1-bin-hadoop2.6')
.libPaths(c(file.path(Sys.getenv("SPARK_HOME"),"R","lib"),.libPaths()))

library(SparkR)
sparkR.stop()
sc=sparkR.init(master="local")
sqlContext=sparkRSQL.init(sc)

df=read.csv(file="C:/.../file.csv",     
            header=T,sep=",",na.strings = c('NULL',''),fileEncoding = "UTF-8-BOM",stringsAsFactors = F)

df<- createDataFrame(sqlContext, df)
df=dropna(df)
names(df)
summary(df)

如上所述，如果file.csv太大而无法放入内存，则会导致问题。（ hack是加载一系列csv文件并在sparkR中绑定它们。）首选通过 read.df 读取CSV文件。

如果我将init更改为：

sc <- sparkR.init(master='local', sparkPackages="com.databricks:spark-csv_2.11:1.2.0")

建议

使用 read.df ，无论我做什么，sparkR现在都被冲洗了。

df <- read.df(sqlContext, "C:/file.csv",          source="com.databricks.spark.csv", header="true", inferSchema="true")

甚至

df<- createDataFrame(sqlContext, df)

Pukes：

Error in invokeJava(isStatic = FALSE, objId$id, methodName, ...) : 
  org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 1.0 failed 1 times, most recent failure: Lost task 0.0 in stage 1.0 (TID 1, localhost): java.lang.NullPointerException
    at java.lang.ProcessBuilder.start(Unknown Source)
    at org.apache.hadoop.util.Shell.runCommand(Shell.java:482)
    at org.apache.hadoop.util.Shell.run(Shell.java:455)
    at org.apache.hadoop.util.Shell$ShellCommandExecutor.execute(Shell.java:715)
    at org.apache.hadoop.fs.FileUtil.chmod(FileUtil.java:873)
    at org.apache.hadoop.fs.FileUtil.chmod(FileUtil.java:853)
    at org.apache.spark.util.Utils$.fetchFile(Utils.scala:406)
    at org.apache.spark.executor.Executor$$anonfun$org$apache$spark$executor$Executor$$updateDependencies$5.apply(Executor.scala:405)
    at org.apache.spark.executor.Executor$$anonfun$org$apache$spark$executor$Executor$$updateDependencies$5.apply(Executor.scala:397)
    at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:7

SparkR缺少什么小精灵？

是否有更简单的方法来指定或确认正确的数据库设置 2.11：1.2.0 ？

有没有办法加载制表符分隔文件或其他不需要数据库的格式？

P.S。我注意到H2O与R结合起来更加愉快，并且不需要奥术咒语。 sparkR人真的需要将启动sparkR作为1个衬管恕我直言......

Answer 1

以下作品对我来说完美无缺：

Sys.setenv(SPARKR_SUBMIT_ARGS='"--packages" "com.databricks:spark-csv_2.11:1.4.0" "sparkr-shell"')
Sys.setenv(SPARK_HOME='/path/to/spark')
.libPaths(c(file.path(Sys.getenv("SPARK_HOME"), "R", "lib"), .libPaths()))

library(SparkR)

sparkR.stop()

sc <- sparkR.init(master="local")
sqlContext <- sparkRSQL.init(sc)

df <- read.df(sqlContext, 
              "/path/to/mtcars.csv", 
              source="com.databricks.spark.csv", 
              inferSchema="true")

我将spark-csv_2.11-1.4.0.jar（最新的jar）放入spark/jars目录，适当修改了env var，然后完成剩下的工作。 collect(df)显示它有效。

Answer 2

预构建的Spark 1.x发行版是使用Scala 2.10而不是2.11构建的。所以，如果你使用这样的发行版（你似乎也这样做），你还需要一个适用于Scala 2.10的spark-csv构建，而不是Scala 2.11（就像你在代码中使用的那个）。将spark-csv_2.11更改为spark-csv_2.10，它应该可以正常工作（另请参阅接受的SO答案here和here）。

Spark-csv与SparkR＆amp; RStudio

2 个答案: