为啥在集群模式下读取 CSV 文件失败（而在本地工作正常）？

Posted 2023-04-17

【中文标题】为啥在集群模式下读取 CSV 文件失败（而在本地工作正常）？

【英文标题】：Why does reading CSV file fail in cluster mode (while works fine in local)?为什么在集群模式下读取 CSV 文件失败（而在本地工作正常）？

【发布时间】：2016-04-01 10:13:14

【问题描述】：

读取 csv 会导致某些 csv 文件的阶段失败。相同的代码适用于不同的 csv 文件。 Printschema 打印模式。 df.show 导致暂存错误。

 val df=sqlContext.read.format("csv").option("header","true").option("inferSchema","true").load("hdfs://myIp:9000/data/time.csv")
df.printSchema
df.show

时间.csv

Date,norm date,lala
1302820211,"Thu, 14 Apr 2011 22:30:11 GMT",2016-03-28
1372820211,"Wed, 03 Jul 2013 02:56:51 GMT",2016-03-28
1304820211,"Sun, 08 May 2011 02:03:31 GMT",2016-03-28

错误：

org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 8.0 failed 4 times, most recent failure: Lost task 0.3 in stage 8.0 (TID 20, slave03): java.lang.NullPointerException
at com.databricks.spark.csv.CsvRelation$$anonfun$buildScan$2.apply(CsvRelation.scala:120)
at com.databricks.spark.csv.CsvRelation$$anonfun$buildScan$2.apply(CsvRelation.scala:107)
at scala.collection.Iterator$$anon$13.hasNext(Iterator.scala:371)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
at scala.collection.Iterator$$anon$10.hasNext(Iterator.scala:308)
at scala.collection.Iterator$class.foreach(Iterator.scala:727)
at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:48)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:103)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:47)
at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:273)
at scala.collection.AbstractIterator.to(Iterator.scala:1157)
at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:265)
at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1157)
at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:252)
at scala.collection.AbstractIterator.toArray(Iterator.scala:1157)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$5.apply(SparkPlan.scala:212)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$5.apply(SparkPlan.scala:212)
at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1858)
at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1858)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
at org.apache.spark.scheduler.Task.run(Task.scala:89)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:213)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)

【问题讨论】：

您的代码适用于我（使用 Spark V1.5.1、spark-csv V1.3.2、Scala 2.10） - 这是做工作的文件之一吗？跨度>

它在本地[*]模式下工作。我已经设置了火花大师和工人。我使用 spark 1.6 ， spark-csv V1.4.0 Scala 2.10。对于“time.csv”，代码给出错误。在本地 [*] 模式下，相同的文件给出正确的输出

【参考方案1】：

添加 apache commons-csv jar 和 databricks-csv jar 对我有用。最初我只包含了 databricks-csv jar

val conf = new SparkConf().setAppName("TEST APP")
    .setMaster("spark://ip:7077")
    .setJars(Seq("pathto/spark-csv_2.10-1.4.0.jar",
    "pathTo/commons-csv-1.1.jar"))
  val sc=SparkContext.getOrCreate(conf)
  val sqlContext = new SQLContext(sc)

【讨论】：

你为什么要通过setJars添加jar并在你的代码中定义SparkConf？！您应该将spark-submit 与--jars 和--master 一起使用。我还建议使用 sbt-assembly 插件将所有依赖项捆绑在一个 uber-jar 中。

我需要在我的驱动程序中使用 csv jars。我不想将我的应用程序（驱动程序）作为 jar 提交（我为什么要提交？）。我错过了什么大事吗？