Spark Version: 1.6.2.
我注册了一个临时表,其数据源是HDFS,并对其进行两次查询。
然后作业因此错误而失败:
错误ApplicationMaster:用户类引发异常:
java.io.IOException:不是文件:hdfs:// my_server:8020/2017/01/01
java.io.IOException:不是文件:hdfs:// my_server:8020/2017/01/01 在org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:322) 在org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:199) 在org.apache.spark.rdd.RDD $$ anonfun $ partitions $ 2.apply(RDD.scala:242) 在org.apache.spark.rdd.RDD $$ anonfun $ partitions $ 2.apply(RDD.scala:240) 在scala.Option.getOrElse(Option.scala:120) 在org.apache.spark.rdd.RDD.partitions(RDD.scala:240)
如果只运行一个查询,那么棘手的部分是该作业成功 我是否以错误的方式使用Spark SQL,还是这样?
这就是我的代码:
val rdd = sc.textFile("hdfs://my_server:8020/2017/*/*/*")
val table = sqlc.read.json(rdd).cache()
table.registerTempTable("my_table")
sql("""
| SELECT contentsId,
| SUM(CASE WHEN gender = 'M' then 1 else 0 end)
| FROM my_table
| GROUP BY contentsId
""".stripMargin)
.write.format("com.databricks.spark.csv")
.save("hdfs://my_server:8020/gender.csv")
sql("""
| SELECT contentsId,
| SUM(CASE WHEN age > 0 AND age < 20 then 1 else 0 end),
| SUM(CASE WHEN age >= 20 AND age < 30 then 1 else 0 end)
| FROM my_table
| GROUP BY contentsId
""".stripMargin)
.write.format("com.databricks.spark.csv")
.save("hdfs://my_server:8020/age.csv")
提前致谢!
答案 0 :(得分:1)
我认为你可以尝试仅为这样的文件应用过滤器。
val filesRDD = rdd.filter{path => (new java.io.File(path).isFile)}
这将删除RDD中包含的所有目录 并且第二次保存DataFrame使用此
sql("""
| SELECT contentsId,
| SUM(CASE WHEN age > 0 AND age < 20 then 1 else 0 end),
| SUM(CASE WHEN age >= 20 AND age < 30 then 1 else 0 end)
| FROM my_table
| GROUP BY contentsId
""".stripMargin)
.write.format("com.databricks.spark.csv")
.mode("append")
.save("hdfs://my_server:8020/gender.csv")
如果存储值相同或尝试将Second DataFrame存储到某个不同的文件