web-dev-qa-db-ja.com

Spark 2.1でパーティション分割された寄木細工ファイルを保存するには？

Spark 2.1。を使用してHDFS 2.7でデータを書き込む方法をテストしようとしています。私のデータはダミー値の単純なシーケンスであり、出力は属性によってパーティション分割する必要があります：idおよび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")

HDFSで次のツリー構造を取得する予定です。

- /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

しかし、前のコードを実行すると、次の出力が得られます。

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

コードに何か問題があるかどうか、またはSparkが行っている他の何かがあるかどうかはわかりません。

次のようにspark-submitを実行しています。

spark-submit --name APP --master local --driver-memory 30G --executor-memory 30G --executor-cores 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 = uncompressed --conf spark.sql.parquet.filterPushdown = true --class myClass myFatJar.jar

scalaapache-sparkapache-spark-sqlparquet
9
Daniel Lopez

私は解決策を見つけました！ Clouderaによると、mapred-site.xml構成の問題です（以下のリンクを確認してください）。また、データフレームを次のように記述する代わりに：testDf.write.partitionBy("id", "key").parquet("/path/to/file")

私は次のようにしました：testDf.write.partitionBy("id", "key").parquet("hdfs://<namenode>:<port>/path/to/file")。 <namenode>と<port>をそれぞれHDFSのマスターノード名とポートに置き換えることができます。

@ jacek-laskowski、貴重な貢献に感謝します。

参照：

https://community.cloudera.com/t5/Batch-SQL-Apache-Hive/MKDirs-failed-to-create-file/m-p/36363#M109

Spark/ScalaでのHDFSへの書き込み

2
Daniel Lopez

興味深いのは...まあ..."それは私のために働く"。

Spark 2.1でSimpleTestケースクラスを使用してデータセットを記述すると、Datasetと入力してimport spark.implicits._離れます。

私の場合、sparkはsqlです。

つまり、testDataPとtestDfを作成する必要はありません（sql.createDataFrameを使用）。

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

別の端末で（/tmp/testDfディレクトリに保存した後）：

$ 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
11
Jacek Laskowski