【问题标题】:PySpark Error: Input path does not existPySpark 错误:输入路径不存在
【发布时间】:2017-01-21 14:51:05
【问题描述】:

我正在尝试使用 PySpark 执行数据转换。

我有一个包含数据的文本文件(CHANGES.txt)

我可以执行命令:

RDDread = sc.textFile("file:///home/test/desktop/CHANGES.txt")

但是当我运行时: RDDread.first()

然后我得到错误:

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/srv/spark/python/pyspark/rdd.py", line 1328, in first
    rs = self.take(1)
  File "/srv/spark/python/pyspark/rdd.py", line 1280, in take
    totalParts = self.getNumPartitions()
  File "/srv/spark/python/pyspark/rdd.py", line 356, in getNumPartitions
    return self._jrdd.partitions().size()
  File "/srv/spark/python/lib/py4j-0.10.3-src.zip/py4j/java_gateway.py", line 1133, in __call__
  File "/srv/spark/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/srv/spark/python/lib/py4j-0.10.3-src.zip/py4j/protocol.py", line 319, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o256.partitions.
: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: file:/home/test/desktop/CHANGES.txt
    at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:287)
    at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:229)
    at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:315)
    at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:199)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:248)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:246)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:246)
    at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:248)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:246)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:246)
    at org.apache.spark.api.java.JavaRDDLike$class.partitions(JavaRDDLike.scala:60)
    at org.apache.spark.api.java.AbstractJavaRDDLike.partitions(JavaRDDLike.scala:45)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:237)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:280)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:214)
    at java.lang.Thread.run(Thread.java:745)

似乎是提到文件路径不存在。我该如何解决这个问题。我的 linux 机器上安装了 python、Java 和 spark。

【问题讨论】:

  • 只检查本地系统上是否存在该路径,因为您尝试从本地文件系统读取
  • @RajatMishra,它存在于路径中。但我仍然收到此错误。我想如果它不存在我将无法执行RDDread = sc.textFile("file:///home/test/desktop/CHANGES.txt") 命令的路径
  • 实际上没有,在 spark sc.textFile 中是惰性评估的,即当时调用操作时 RDDread = sc.textFile("file:///home/test/desktop/CHANGES.txt" ) 将被执行。因此,当您执行 RDDread.first 时,它会给您一个错误。

标签: apache-spark pyspark


【解决方案1】:

如果您在集群模式下运行,您需要将文件复制到同一共享文件系统的所有节点上。然后 spark 读取该文件,否则您应该使用 HDFS

我将 txt 文件复制到 HDFS 中,Spark 从 HDFS 获取文件。

我将 txt 文件复制到所有节点的共享文件系统上,然后 spark 读取该文件。

两者都为我工作

【讨论】:

  • 这是否意味着我必须将 Hadoop HDFS 下载到我的机器本地?
  • 如果您在集群模式下运行,您需要将文件复制到同一共享文件系统的所有节点。然后 spark 读取该文件,否则您应该使用 HDFS。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多