it-roy-ru.com

Как сохранить файл разделенного паркета в Spark 2.1?

Я пытаюсь проверить, как записывать данные в HDFS 2.7 с помощью Spark 2.1. Мои данные представляют собой простую последовательность фиктивных значений, и выходные данные должны быть разделены по атрибутам: id и key .

 // Simple case class to cast the data
 case class SimpleTest(id:String, value1:Int, value2:Float, key:Int)

 // Actual data to be stored
 val testData = Seq(
    SimpleTest("test", 12, 13.5.toFloat, 1),
    SimpleTest("test", 12, 13.5.toFloat, 2),
    SimpleTest("test", 12, 13.5.toFloat, 3),
    SimpleTest("simple", 12, 13.5.toFloat, 1),
    SimpleTest("simple", 12, 13.5.toFloat, 2),
    SimpleTest("simple", 12, 13.5.toFloat, 3)
 )

 // Spark's workflow to distribute, partition and store
 // sc and sql are the SparkContext and SparkSession, respectively
 val testDataP = sc.parallelize(testData, 6)
 val testDf = sql.createDataFrame(testDataP).toDF("id", "value1", "value2", "key")
 testDf.write.partitionBy("id", "key").parquet("/path/to/file")

Я ожидаю получить следующую структуру дерева в HDFS:

- /path/to/file
   |- /id=test/key=1/part-01.parquet
   |- /id=test/key=2/part-02.parquet
   |- /id=test/key=3/part-03.parquet
   |- /id=simple/key=1/part-04.parquet
   |- /id=simple/key=2/part-05.parquet
   |- /id=simple/key=3/part-06.parquet

Но когда я запускаю предыдущий код, я получаю следующий вывод:

/path/to/file/id=/key=24/
 |-/part-01.parquet
 |-/part-02.parquet
 |-/part-03.parquet
 |-/part-04.parquet
 |-/part-05.parquet
 |-/part-06.parquet

Я не знаю, что-то не так в коде или что-то еще делает Spark.

Я выполняю spark-submit следующим образом:

spark-submit --name APP - мастер локальной памяти --driver-memory 30G --executor-memory 30G --executor-core 8 --num-executors 8 --conf spark.io.compression.codec = lzf --conf spark.akka.frameSize = 1024 --conf spark.driver.maxResultSize = 1g --conf spark.sql.orc.compression.codec = несжатый --conf spark.sql.parquet.filterPushdown = true --класс myClass myFatJar.jar

8
Daniel Lopez

Я нашел решение! По словам Cloudera, это проблема конфигурации mapred-site.xml (проверьте ссылку ниже). Кроме того, вместо записи кадра данных как: testDf.write.partitionBy("id", "key").parquet("/path/to/file")

Я сделал это следующим образом: testDf.write.partitionBy("id", "key").parquet("hdfs://<namenode>:<port>/path/to/file"). Вы можете заменить <namenode> и <port> именем мастер-узла HDFS и портом соответственно. 

Отдельное спасибо @ jacek-laskowski за его ценный вклад.

Рекомендации:

https://community.cloudera.com/t5/Batch-SQL-Apache-Hive/MKDirs-failed-to-create-file/m-p/36363#M1090

Запись в HDFS в Spark/Scala

2
Daniel Lopez

Интересно, так как ... хорошо ... "это работает для меня" .

Когда вы описываете свой набор данных, используя класс случая SimpleTest в Spark 2.1, у вас нет import spark.implicits._, чтобы набрать Dataset.

В моем случае spark - это sql.

Другими словами, вам не нужно создавать testDataP и testDf (используя sql.createDataFrame).

import spark.implicits._
...
val testDf = testData.toDS
testDf.write.partitionBy("id", "key").parquet("/path/to/file")

В другом терминале (после сохранения в каталоге /tmp/testDf):

$ tree /tmp/testDf/
/tmp/testDf/
├── _SUCCESS
├── id=simple
│   ├── key=1
│   │   └── part-00003-35212fd3-44cf-4091-9968-d9e2e05e5ac6.c000.snappy.parquet
│   ├── key=2
│   │   └── part-00004-35212fd3-44cf-4091-9968-d9e2e05e5ac6.c000.snappy.parquet
│   └── key=3
│       └── part-00005-35212fd3-44cf-4091-9968-d9e2e05e5ac6.c000.snappy.parquet
└── id=test
    ├── key=1
    │   └── part-00000-35212fd3-44cf-4091-9968-d9e2e05e5ac6.c000.snappy.parquet
    ├── key=2
    │   └── part-00001-35212fd3-44cf-4091-9968-d9e2e05e5ac6.c000.snappy.parquet
    └── key=3
        └── part-00002-35212fd3-44cf-4091-9968-d9e2e05e5ac6.c000.snappy.parquet

8 directories, 7 files
10
Jacek Laskowski