PySpark错误:输入路径不存在

3
我将尝试使用PySpark进行数据转换。
我有一个包含数据的文本文件(CHANGES.txt)。
我可以执行以下命令: RDDread = sc.textFile("file:///home/test/desktop/CHANGES.txt") 但是当我运行以下命令时: RDDread.first() 我会收到以下错误:
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/srv/spark/python/pyspark/rdd.py", line 1328, in first
    rs = self.take(1)
  File "/srv/spark/python/pyspark/rdd.py", line 1280, in take
    totalParts = self.getNumPartitions()
  File "/srv/spark/python/pyspark/rdd.py", line 356, in getNumPartitions
    return self._jrdd.partitions().size()
  File "/srv/spark/python/lib/py4j-0.10.3-src.zip/py4j/java_gateway.py", line 1133, in __call__
  File "/srv/spark/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/srv/spark/python/lib/py4j-0.10.3-src.zip/py4j/protocol.py", line 319, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o256.partitions.
: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: file:/home/test/desktop/CHANGES.txt
    at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:287)
    at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:229)
    at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:315)
    at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:199)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:248)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:246)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:246)
    at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:248)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:246)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:246)
    at org.apache.spark.api.java.JavaRDDLike$class.partitions(JavaRDDLike.scala:60)
    at org.apache.spark.api.java.AbstractJavaRDDLike.partitions(JavaRDDLike.scala:45)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:237)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:280)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:214)
    at java.lang.Thread.run(Thread.java:745)

看起来是提到文件路径不存在。我该怎么解决这个问题呢?我的Linux机器上已经安装了Python、Java和Spark。


只需检查本地系统上的路径是否存在,因为您正在尝试从本地文件系统中读取。 - Rajat Mishra
@RajatMishra,它存在于路径中。但我仍然收到这个错误。我认为如果路径不存在,我就无法执行“RDDread = sc.textFile(“file:///home/test/desktop/CHANGES.txt”)”命令了。 - Techno04335
不是的,在Spark中,sc.textFile是惰性求值的,也就是说,只有在调用操作时才会执行RDDread = sc.textFile("file:///home/test/desktop/CHANGES.txt")。因此,当你执行RDDread.first时,它会给出一个错误提示。 - Rajat Mishra
1个回答

3

如果你正在集群模式下运行,你需要在相同共享文件系统的所有节点上复制该文件。然后Spark读取该文件,否则你应该使用HDFS。

我将txt文件复制到了HDFS中,Spark从HDFS中获取文件。

我将txt文件复制到所有节点的共享文件系统中,然后Spark读取了该文件。两种方法都对我有效。


这意味着我必须在本地下载Hadoop HDFS吗? - Techno04335
如果您正在集群模式下运行,则需要将文件复制到相同共享文件系统的所有节点上。然后,Spark会读取该文件,否则您应该使用HDFS。 - Raghav

网页内容由stack overflow 提供, 点击上面的
可以查看英文原文,
原文链接