作者热门文章
- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在初始 EMR 步骤中使用 S3DistCP 将文件树从 S3 复制到 HDFS。 hdfs dfs -ls -R hdfs:///data_dir
显示预期的文件,如下所示:
/data_dir/year=2015/
/data_dir/year=2015/month=01/
/data_dir/year=2015/month=01/day=01/
/data_dir/year=2015/month=01/day=01/data01.12345678
/data_dir/year=2015/month=01/day=01/data02.12345678
/data_dir/year=2015/month=01/day=01/data03.12345678
“目录”被列为零字节文件。
然后我运行一个需要读取这些文件的 Spark 步骤。加载代码如下:
sqlctx.read.json('hdfs:///data_dir, schema=schema)
作业因 java 异常而失败
java.io.IOException: Not a file: hdfs://10.159.123.38:9000/data_dir/year=2015
我(也许天真地)假设 Spark 会递归地下降“目录树”并加载数据文件。如果我指向 S3,它就会成功加载数据。
我是否误解了HDFS?我可以告诉 Spark 忽略零字节文件吗?我可以使用 S3DistCp 来压平树吗?
最佳答案
在当前 Spark 上下文的 Hadoop 配置中,在获取 sql ctx 之前配置 Hadoop InputFormat 的“递归”读取
val hadoopConf = sparkCtx.hadoopConfiguration
hadoopConf.set("mapreduce.input.fileinputformat.input.dir.recursive", "true")
这将给出“不是文件”的解决方案。接下来,读取多个文件:
Hadoop job taking input files from multiple directories
或将文件列表合并为单个数据帧:
关于apache-spark - 使用spark从HDFS读取时如何避免 "Not a file"异常,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32921510/
我是一名优秀的程序员,十分优秀!