pyspark：找不到本地文件

Posted 2023-04-15

【中文标题】pyspark：找不到本地文件

【英文标题】：pyspark: couldn't find the local file

【发布时间】：2015-12-02 19:43:21

【问题描述】：

我有以下简单的python代码：

from __future__ import print_function

import sys
from operator import add

from pyspark import SparkContext


if __name__ == "__main__":
    print(len(sys.argv))
    if len(sys.argv) < 2:
        print("Usage: wordcount <file>", file=sys.stderr)
        exit(-1)
    sc = SparkContext(appName="PythonWordCount")
    lines = sc.textFile(sys.argv[2], 1)
    counts = lines.flatMap(lambda x: x.split(' ')).map(lambda x: (x, 1)).reduceByKey(add)
    output = counts.collect()
    for (word, count) in output:
        print("%s: %i" % (word, count))

    sc.stop()

然后我尝试在本地集群上运行它：

spark-submit --master spark://rws-lnx-sprk01:7077 /home/edamameQ/wordcount.py wordcount /home/edamameQ/wordTest.txt

wordTest.txt 绝对可用：

edamameQ@spark-cluster:~$ ls
data    jars   myJob.txt  wordTest.txt  wordcount.py

但我不断收到错误：

Driver stacktrace:
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1283)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1271)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1270)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
 :
 :
Caused by: java.io.FileNotFoundException: File file:/home/edamameQ/wordTest.txt does not exist
    at org.apache.hadoop.fs.RawLocalFileSystem.getFileStatus(RawLocalFileSystem.java:520)
    at org.apache.hadoop.fs.FilterFileSystem.getFileStatus(FilterFileSystem.java:398)
    at org.apache.hadoop.fs.ChecksumFileSystem$ChecksumFSInputChecker.<init>(ChecksumFileSystem.java:137)
    at org.apache.hadoop.fs.ChecksumFileSystem.open(ChecksumFileSystem.java:339)

相同的代码在 AWS 上使用来自 s3 位置的输入文件。我需要调整什么以在本地集群上运行吗？谢谢！

【参考方案1】：

您要读取的文件必须可供所有工作人员访问。如果这是一个本地文件，唯一的选择是为每台工作机器保留一份副本。

【讨论】：

谢谢！但是，当我在 Scala 中运行 spark 作业时，为什么不需要将文件提供给所有工作人员？在 Scala 中，我只是将文件放在一个位置，它就可以正常工作。 scala中的pyspark和spark有区别吗？谢谢！

不应该有。你能描述一下你的配置吗？

本地 spark 集群安装为带有 spark 1.5.1 的独立模式。它有一个主人和五个奴隶。我将所有需要的输入文本文件放在主节点本地磁盘中。我在 scala 中有一个 spark 作业，它读取本地磁盘中的文件，制作 RDD，这是一项更复杂的工作并且工作正常。现在我正在尝试在集群上测试 pyspark，但它找不到该文件。即使我只是在另一个 scala 作业中使用并正常工作的文件，它只是无法在上面的 pyspark 作业中找到它。如果我应该提供任何其他信息，请告诉我。谢谢！

把文件复制给worker看看能不能解决问题。

我很确定它也需要它 :) 一般来说，即使在独立模式下，任何类型的分布式文件系统都是有用的。对于小事情，您可以在脚本中使用SparkFiles，但它对于传递主要数据没有用，