使用 pyspark 同时编写 parquet 文件
Posted
技术标签:
【中文标题】使用 pyspark 同时编写 parquet 文件【英文标题】:Write parquet files concurrently with pyspark 【发布时间】:2021-07-26 05:37:53 【问题描述】:在 Azure Databricks 中,我想使用 python / pyspark 从多个笔记本同时写入同一组镶木地板文件。我对目标文件进行了分区,因此分区是不相交的/独立写入的,根据databricks docs 支持。
但是,我的集群日志中不断出现错误,并且其中一个并发写入操作失败:
Py4JJavaError: An error occurred while calling o1033.save.
: org.apache.spark.SparkException: Job aborted.
...
Caused by: org.apache.hadoop.fs.PathIOException: `<filePath>/_SUCCESS': Input/output error: Parallel access to the create path detected. Failing request to honor single writer semantics
这是写入 parquet 文件的基本路径。
为什么会这样? _SUCCESS 文件有什么用?我可以以某种方式禁用它们以避免此问题吗?
【问题讨论】:
【参考方案1】:_SUCCESS
是一个空文件,在进程的最后写入以确认一切正常。
您提供的链接仅关于 delta,这是一种特殊格式。显然,您正在尝试编写 parquet 格式文件,而不是 delta 格式。这就是你们发生冲突的原因。
【讨论】:
以上是关于使用 pyspark 同时编写 parquet 文件的主要内容,如果未能解决你的问题,请参考以下文章
在 HIVE 中使用 CDH 5.4 和 Spark 1.3.0 和 Parquet 表的 PySpark 中的 Parquet 错误
在 parquet 文件顶部从 pyspark 代码创建一个表