调用 Spark DataFrame.saveAsParquetFile() 时删除的 google 存储目录显示“已存在”

Question

我通过谷歌云控制台删除了一个谷歌云存储目录后，（该目录是由早期的Spark（ver 1.3.1）作业生成的），当重新运行该作业时，它总是失败并且目录似乎还在去那里工作；我找不到 gsutil 的目录。

这是一个错误，还是我错过了什么？谢谢！

我得到的错误：

java.lang.RuntimeException: path gs://<my_bucket>/job_dir1/output_1.parquet already exists.
at scala.sys.package$.error(package.scala:27)
at org.apache.spark.sql.parquet.DefaultSource.createRelation(newParquet.scala:112)
at org.apache.spark.sql.sources.ResolvedDataSource$.apply(ddl.scala:240)
at org.apache.spark.sql.DataFrame.save(DataFrame.scala:1196)
at org.apache.spark.sql.DataFrame.saveAsParquetFile(DataFrame.scala:995)
at com.xxx.Job1$.execute(Job1.scala:64)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:569)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:166)
at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:189)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:110)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

Answer 1

您可能遇到了 NFS 列表一致性缓存的已知错误：https://github.com/GoogleCloudPlatform/bigdata-interop/issues/5

它已在最新版本中修复，如果您通过使用 bdutil-1.3.1 部署新集群进行升级（在此宣布：https://groups.google.com/forum/#!topic/gcp-hadoop-announce/vstNuV0LpDc），问题应该得到修复。如果您需要就地升级，可以尝试将最新的 gcs-connector-1.4.1 jarfile 下载到您的主节点和工作节点上 /home/hadoop/hadoop-install/lib/gcs-connector-*.jar 下，然后重新启动 Spark 守护程序：

sudo sudo -u hadoop /home/hadoop/spark-install/sbin/stop-all.sh
sudo sudo -u hadoop /home/hadoop/spark-install/sbin/start-all.sh