我試圖設置spark.sql.parquet.output.committer.class,我似乎沒有做任何事情讓設置生效。如何在pyspark中設置spark.sql.parquet.output.committer.class
我試圖讓許多線程寫入到相同的輸出文件夾,這將與org.apache.spark.sql. parquet.DirectParquetOutputCommitter
一起使用,因爲它不會使用_temporary
文件夾。我得到了下面的錯誤,這是我怎麼知道它不工作:
Caused by: java.io.FileNotFoundException: File hdfs://path/to/stuff/_temporary/0/task_201606281757_0048_m_000029/some_dir does not exist.
at org.apache.hadoop.hdfs.DistributedFileSystem.listStatusInternal(DistributedFileSystem.java:795)
at org.apache.hadoop.hdfs.DistributedFileSystem.access$700(DistributedFileSystem.java:106)
at org.apache.hadoop.hdfs.DistributedFileSystem$18.doCall(DistributedFileSystem.java:853)
at org.apache.hadoop.hdfs.DistributedFileSystem$18.doCall(DistributedFileSystem.java:849)
at org.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81)
at org.apache.hadoop.hdfs.DistributedFileSystem.listStatus(DistributedFileSystem.java:849)
at org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter.mergePaths(FileOutputCommitter.java:382)
at org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter.mergePaths(FileOutputCommitter.java:384)
at org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter.commitJob(FileOutputCommitter.java:326)
at org.apache.parquet.hadoop.ParquetOutputCommitter.commitJob(ParquetOutputCommitter.java:46)
at org.apache.spark.sql.execution.datasources.BaseWriterContainer.commitJob(WriterContainer.scala:230)
at org.apache.spark.sql.execution.datasources.InsertIntoHadoopFsRelation$$anonfun$run$1.apply$mcV$sp(InsertIntoHadoopFsRelation.scala:151)
注意調用org.apache.parquet.hadoop.ParquetOutputCommitter.commitJob
,默認類。
我試過以下,基於其他SO答案和搜索:
sc._jsc.hadoopConfiguration().set(key, val)
(這不工作像parquet.enable.summary-metadata
設置)dataframe.write.option(key, val).parquet
- 添加
--conf "spark.hadoop.spark.sql.parquet.output.committer.class=org.apache.spark.sql.parquet.DirectParquetOutputCommitter"
到呼叫 - 將
--conf "spark.sql.parquet.output.committer.class"=" org.apache.spark.sql.parquet.DirectParquetOutputCommitter"
添加到調用。
這就是我所能找到的,沒有任何工作。它看起來不難set in Scala,但在Python中似乎不可能。
Github問題:https://github.com/apache/spark/pull/12229 – ksindi