使用 sparkR 从 hdfs 导入 rstudio 中的 csv 文件

Question

我已将 .csv 文件存储在 Hadoop HDFS 上，

hadoop dfs -ls /afs
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.

17/01/12 15:15:49 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Found 1 item
-rw-r--r--   2 hduser supergroup  203572404 2017-01-10 12:04 /afs/Accounts.csv

我想使用 SparkR 将此文件导入 rstudio。

我尝试了以下命令：

sc<-sparkR.session(master = "spark://MasterNode:7077",appName = "SparkR",sparkHome = "/opt/spark")
sContext<- sparkRSQL.init(sc)
library(data.table)
library(dplyr)

df<- read.df(sContext, "hdfs://MasterNode:54310/afs/Accounts.csv")

发生以下错误：

> df<- read.df(sContext, "hdfs://MasterNode:54310/afs/Accounts.csv")
Error in handleErrors(returnStatus, conn) : 
  No status is returned. Java SparkR backend might have failed.
In addition: Warning message:
In writeBin(requestMessage, conn) : problem writing to connection

请帮助我使用 SparkR 将 Accounts.csv 文件导入 rstudio。

Answer 1

您可以使用data.table 库的fread 函数从HDFS 读取。您必须在系统中指定 hdfs 可执行文件的路径。例如，假设 hdfs 的路径是/usr/bin/hdfs，你可以试试这样：

your_table <- fread("/usr/bin/hdfs dfs -text /afs/Accounts.csv")

如果您的“Accounts.csv”是一个目录，您也可以使用通配符/afs/Accounts.csv/*您还可以指定列类。例如：

your_table <- fread("/usr/bin/hdfs dfs -text /afs/Accounts.csv", fill = TRUE, header = TRUE, 
colClasses = c("numeric", "character", ...))

我希望这会有所帮助。