我知道这是一种使用Spark的奇怪方式,但我尝试使用Spark将数据帧保存到本地文件系统(而不是hdfs),即使我在cluster mode
中也是如此。我知道我可以使用client mode
但是我确实想要在cluster mode
中运行,并且不关心应用程序将在哪个节点上运行作为司机。
下面的代码是我试图做的伪代码。
// create dataframe
val df = Seq(Foo("John", "Doe"), Foo("Jane", "Doe")).toDF()
// save it to the local file system using 'file://' because it defaults to hdfs://
df.coalesce(1).rdd.saveAsTextFile(s"file://path/to/file")
这就是我提交spark应用程序的方式。
spark-submit --class sample.HBaseSparkRSample --master yarn-cluster hbase-spark-r-sample-assembly-1.0.jar
如果我在local mode
但在yarn-cluster mode
中没有,那么这种方式可以正常工作。
例如,java.io.IOException: Mkdirs failed to create file
出现在上面的代码中。
我已将df.coalesce(1)
部分更改为df.collect
,并尝试使用普通Scala保存文件,但结果却是Permission denied
。
我也尝试过:
spark-submit
与root
用户chown
ed yarn:yarn
,yarn:hadoop
,spark:spark
chmod 777
提供给相关目录但没有运气。
我假设这必须对clusters
,drivers and executors
以及user
尝试写入本地文件系统但我很漂亮的事情做些什么我自己也很难解决这个问题。
我正在使用:
欢迎任何支持,并提前致谢。
我尝试过的一些文章:
chmod
没有帮助我这是我得到的例外。
java.io.IOException: Mkdirs failed to create file:/home/foo/work/rhbase/r/input/input.csv/_temporary/0/_temporary/attempt_201611242024_0000_m_000000_0 (exists=false, cwd=file:/yarn/nm/usercache/foo/appcache/application_1478068613528_0143/container_e87_1478068613528_0143_01_000001)
at org.apache.hadoop.fs.ChecksumFileSystem.create(ChecksumFileSystem.java:449)
at org.apache.hadoop.fs.ChecksumFileSystem.create(ChecksumFileSystem.java:435)
at org.apache.hadoop.fs.FileSystem.create(FileSystem.java:920)
at org.apache.hadoop.fs.FileSystem.create(FileSystem.java:813)
at org.apache.hadoop.mapred.TextOutputFormat.getRecordWriter(TextOutputFormat.java:135)
at org.apache.spark.SparkHadoopWriter.open(SparkHadoopWriter.scala:91)
at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsHadoopDataset$1$$anonfun$13.apply(PairRDDFunctions.scala:1193)
at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsHadoopDataset$1$$anonfun$13.apply(PairRDDFunctions.scala:1185)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
at org.apache.spark.scheduler.Task.run(Task.scala:89)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
at java.lang.Thread.run(Thread.java:745)
16/11/24 20:24:12 WARN scheduler.TaskSetManager: Lost task 0.0 in stage 0.0 (TID 0, localhost): java.io.IOException: Mkdirs failed to create file:/home/foo/work/rhbase/r/input/input.csv/_temporary/0/_temporary/attempt_201611242024_0000_m_000000_0 (exists=false, cwd=file:/yarn/nm/usercache/foo/appcache/application_1478068613528_0143/container_e87_1478068613528_0143_01_000001)
at org.apache.hadoop.fs.ChecksumFileSystem.create(ChecksumFileSystem.java:449)
at org.apache.hadoop.fs.ChecksumFileSystem.create(ChecksumFileSystem.java:435)
at org.apache.hadoop.fs.FileSystem.create(FileSystem.java:920)
at org.apache.hadoop.fs.FileSystem.create(FileSystem.java:813)
at org.apache.hadoop.mapred.TextOutputFormat.getRecordWriter(TextOutputFormat.java:135)
at org.apache.spark.SparkHadoopWriter.open(SparkHadoopWriter.scala:91)
at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsHadoopDataset$1$$anonfun$13.apply(PairRDDFunctions.scala:1193)
at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsHadoopDataset$1$$anonfun$13.apply(PairRDDFunctions.scala:1185)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
at org.apache.spark.scheduler.Task.run(Task.scala:89)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
at java.lang.Thread.run(Thread.java:745)
答案 0 :(得分:11)
我将回答我自己的问题,因为最终,没有一个答案似乎没有解决我的问题。尽管如此,感谢所有答案并指出我可以检查的替代方案。
我认为@Ricardo是提及Spark应用程序用户的最接近的人。我使用whoami
检查了Process("whoami")
,用户为yarn
。问题可能是我尝试输出到/home/foo/work/rhbase/r/input/input.csv
,虽然/home/foo/work/rhbase
由yarn:yarn
拥有,但/home/foo
归foo:foo
所有。我没有详细检查,但这可能是导致permission
问题的原因。
当我使用pwd
点击我的Spark应用中的Process("pwd")
时,会输出/yarn/path/to/somewhere
。所以我决定将我的文件输出到/yarn/input.csv
,尽管在cluster mode
中已经成功了。
我可能会得出结论,这只是一个简单的权限问题。任何进一步的解决方案都会受到欢迎,但就目前而言,这就是我解决这个问题的方式。
答案 1 :(得分:1)
使用forEachPartition方法,然后为每个分区获取文件系统对象并逐个写入记录,下面是我在写hdfs的示例代码,而不是你也可以使用本地文件系统
Dataset<String> ds=....
ds.toJavaRdd.foreachPartition(new VoidFunction<Iterator<String>>() {
@Override
public void call(Iterator<String> iterator) throws Exception {
final FileSystem hdfsFileSystem = FileSystem.get(URI.create(finalOutPathLocation), hadoopConf);
final FSDataOutputStream fsDataOutPutStream = hdfsFileSystem.exists(finalOutPath)
? hdfsFileSystem.append(finalOutPath) : hdfsFileSystem.create(finalOutPath);
long processedRecCtr = 0;
long failedRecsCtr = 0;
while (iterator.hasNext()) {
try {
fsDataOutPutStream.writeUTF(iterator.next);
} catch (Exception e) {
failedRecsCtr++;
}
if (processedRecCtr % 3000 == 0) {
LOGGER.info("Flushing Records");
fsDataOutPutStream.flush();
}
}
fsDataOutPutStream.close();
}
});
答案 2 :(得分:1)
如果您将作业运行为boost::none
,则驱动程序将在YARN管理的任何计算机上运行,因此如果yarn-cluster mode
具有本地文件路径,则它将存储输出任何运行驱动程序的机器。
尝试以saveAsTextFile
运行作业,以便驱动程序在客户端计算机上运行
答案 3 :(得分:0)
请参阅spark文档,了解--master
中spark-submit
选项的使用情况。
--master local
应该在本地运行时使用。
--master yarn --deploy-mode cluster
应该在纱线群集上实际运行时使用。
答案 4 :(得分:0)
检查您是否尝试使用Spark服务以外的用户运行/写入文件。 在这种情况下,您可以通过预设目录ACL来解决权限问题。例如:
setfacl -d -m group:spark:rwx /path/to/
(将“spark”修改为试图写入文件的用户组)