Fatal编程技术网

Apache spark 无法读取csv PypSpark

apache-spark pyspark

Apache spark 无法读取csv PypSpark,apache-spark,pyspark,Apache Spark,Pyspark,我在使用spark.read.csv读取csv时遇到问题-我不确定这个特定位置有什么问题，我得到了空指针异常错误。当我阅读其他csv文件时，它看起来很好。任何人都面临类似的问题。请让我知道 []$ hdfs dfs -ls /hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file Found 3 items -rw-r--r-- 3 qweqweqw hadoop 0 20

我在使用spark.read.csv读取csv时遇到问题-我不确定这个特定位置有什么问题，我得到了空指针异常错误。当我阅读其他csv文件时，它看起来很好。任何人都面临类似的问题。请让我知道

[]$ hdfs dfs -ls /hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file
Found 3 items
-rw-r--r--   3 qweqweqw hadoop          0 2021-04-30 16:24 /hdfsData/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file/_SUCCESS
-rw-r--r--   3 qweqweqw hadoop   10091562 2021-04-30 16:24 /hdfsData/poc/qweqweqw/tmp/.TEST/23329_20210430_162409/src_copy_file.file/part-00000-4a4cd500-4e34-4403-a75f-61e09210f9ee-c000.csv
-rw-r--r--   3 qweqweqw hadoop   11237536 2021-04-30 16:24 /hdfsData/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file/part-00000-ee9ad347-14ef-42a6-ab20-3ac329b9ce71-c000.csv

    $ pyspark
    Python 2.7.5 (default, Aug 13 2020, 02:51:10)
    [GCC 4.8.5 20150623 (Red Hat 4.8.5-39)] on linux2
    Type "help", "copyright", "credits" or "license" for more information.
    Setting default log level to "WARN".
    To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
    21/05/03 12:43:40 WARN Utils: Service 'SparkUI' could not bind on port 4040. Attempting port 4041.
    21/05/03 12:43:40 WARN Utils: Service 'SparkUI' could not bind on port 4041. Attempting port 4042.
    21/05/03 12:43:40 WARN Utils: Service 'SparkUI' could not bind on port 4042. Attempting port 4043.
    Welcome to
          ____              __
         / __/__  ___ _____/ /__
        _\ \/ _ \/ _ `/ __/  '_/
       /__ / .__/\_,_/_/ /_/\_\   version 2.3.2.3.1.5.0-152
          /_/
    
    Using Python version 2.7.5 (default, Aug 13 2020 02:51:10)
    SparkSession available as 'spark'.
>>> spark.read.csv("/hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file/*.csv")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/hdp/current/spark2-client/python/pyspark/sql/readwriter.py", line 441, in csv
    return self._df(self._jreader.csv(self._spark._sc._jvm.PythonUtils.toSeq(path)))
  File "/usr/hdp/current/spark2-client/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
  File "/usr/hdp/current/spark2-client/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/usr/hdp/current/spark2-client/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o132.csv.
: java.lang.NullPointerException
        at scala.collection.mutable.ArrayOps$ofRef$.length$extension(ArrayOps.scala:192)
        at scala.collection.mutable.ArrayOps$ofRef.length(ArrayOps.scala:192)
        at scala.collection.IndexedSeqOptimized$class.zipWithIndex(IndexedSeqOptimized.scala:99)
        at scala.collection.mutable.ArrayOps$ofRef.zipWithIndex(ArrayOps.scala:186)
        at org.apache.spark.sql.execution.datasources.csv.CSVDataSource.makeSafeHeader(CSVDataSource.scala:104)
        at org.apache.spark.sql.execution.datasources.csv.TextInputCSVDataSource$.inferFromDataset(CSVDataSource.scala:163)
        at org.apache.spark.sql.execution.datasources.csv.TextInputCSVDataSource$.infer(CSVDataSource.scala:149)
        at org.apache.spark.sql.execution.datasources.csv.CSVDataSource.inferSchema(CSVDataSource.scala:63)
        at org.apache.spark.sql.execution.datasources.csv.CSVFileFormat.inferSchema(CSVFileFormat.scala:57)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply(DataSource.scala:203)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply(DataSource.scala:203)
        at scala.Option.orElse(Option.scala:289)
        at org.apache.spark.sql.execution.datasources.DataSource.getOrInferFileFormatSchema(DataSource.scala:202)
        at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:393)
        at org.apache.spark.sql.DataFrameReader.loadV1Source(DataFrameReader.scala:239)
        at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:227)
        at org.apache.spark.sql.DataFrameReader.csv(DataFrameReader.scala:596)
        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:244)
        at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
        at py4j.Gateway.invoke(Gateway.java:282)
        at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
        at py4j.commands.CallCommand.execute(CallCommand.java:79)
        at py4j.GatewayConnection.run(GatewayConnection.java:238)
        at java.lang.Thread.run(Thread.java:748)

[]$hdfs dfs-ls/hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329\u 20210430\u 162409/src\u copy\u file.file
找到3个项目
-rw-r--r--3 qweqweqw hadoop 0 2021-04-30 16:24/hdfsData/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file//
-rw-r--r--3 qweqweqw hadoop 10091562 2021-04-30 16:24/hdfsData/poc/qweqweqw/tmp/.TEST/23329_20210430_162409/src_copy_file.file/part-00000-4a4cd500-4e34-4403-a75f-61e09210f9ee-c000.csv
-rw-r--r--3 qweqweqw hadoop 11237536 2021-04-30 16:24/hdfsData/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file/part-00000-ee9ad347-14ef-42a6-ab20-3ac329b9ce71-c000.csv
$pyspark
Python 2.7.5（默认值，2020年8月13日，02:51:10）
[GCC 4.8.5 20150623（Red Hat 4.8.5-39）]关于linux2
有关详细信息，请键入“帮助”、“版权”、“信用证”或“许可证”。
将默认日志级别设置为“警告”。
要调整日志记录级别，请使用sc.setLogLevel（newLevel）。对于SparkR，使用setLogLevel（newLevel）。
21/05/03 12:43:40警告Utils:服务“SparkUI”无法在端口4040上绑定。正在尝试端口4041。
21/05/03 12:43:40警告Utils:服务“SparkUI”无法在端口4041上绑定。正在尝试端口4042。
21/05/03 12:43:40警告Utils:服务“SparkUI”无法在端口4042上绑定。正在尝试端口4043。
欢迎来到
____              __
/ __/__  ___ _____/ /__
_\ \/ _ \/ _ `/ __/  '_/
/__/。\uuu/\\ uuu/\\ u/\\ u/\\版本2.3.2.3.1.5.0-152
/_/
使用Python版本2.7.5（默认值，2020年8月13日02:51:10）
SparkSession可用作“spark”。
>>>spark.read.csv（“/hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329\u 20210430\u 162409/src\u copy\u file.file/*.csv”）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
csv格式的文件“/usr/hdp/current/spark2 client/python/pyspark/sql/readwriter.py”，第441行
返回self.\u df（self.\u jreader.csv（self.\u spark.\u sc.\u jvm.PythonUtils.toSeq（path）））
文件“/usr/hdp/current/spark2 client/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py”，第1257行，在__
文件“/usr/hdp/current/spark2 client/python/pyspark/sql/utils.py”，第63行，deco格式
返回f（*a，**kw）
文件“/usr/hdp/current/spark2 client/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py”，第328行，在get_return_值中
py4j.protocol.Py4JJavaError:调用o132.csv时出错。
：java.lang.NullPointerException
在scala.collection.mutable.ArrayOps$ofRef$.length$扩展名处（ArrayOps.scala:192）
位于scala.collection.mutable.ArrayOps$ofRef.length（ArrayOps.scala:192）
在scala.collection.IndexedSeqOptimized$class.zipWithIndex处（IndexedSeqOptimized.scala:99）
位于scala.collection.mutable.ArrayOps$ofRef.zipWithIndex（ArrayOps.scala:186）
位于org.apache.spark.sql.execution.datasources.csv.CSVDataSource.makeSafeHeader（CSVDataSource.scala:104）
位于org.apache.spark.sql.execution.datasources.csv.TextInputCSVDataSource$.inferFromDataset（CSVDataSource.scala:163）
位于org.apache.spark.sql.execution.datasources.csv.TextInputCSVDataSource$.infer（CSVDataSource.scala:149）
位于org.apache.spark.sql.execution.datasources.csv.CSVDataSource.inferSchema（CSVDataSource.scala:63）
位于org.apache.spark.sql.execution.datasources.csv.CSVFileFormat.inferSchema（CSVFileFormat.scala:57）
位于org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply（DataSource.scala:203）
位于org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply（DataSource.scala:203）
在scala.Option.orElse（Option.scala:289）
位于org.apache.spark.sql.execution.datasources.DataSource.getOrInferFileFormatSchema（DataSource.scala:202）
位于org.apache.spark.sql.execution.datasources.DataSource.resolveRelation（DataSource.scala:393）
位于org.apache.spark.sql.DataFrameReader.loadV1Source（DataFrameReader.scala:239）
位于org.apache.spark.sql.DataFrameReader.load（DataFrameReader.scala:227）
位于org.apache.spark.sql.DataFrameReader.csv（DataFrameReader.scala:596）
在sun.reflect.NativeMethodAccessorImpl.invoke0（本机方法）处
位于sun.reflect.NativeMethodAccessorImpl.invoke（NativeMethodAccessorImpl.java:62）
在sun.reflect.DelegatingMethodAccessorImpl.invoke（DelegatingMethodAccessorImpl.java:43）中
位于java.lang.reflect.Method.invoke（Method.java:498）
位于py4j.reflection.MethodInvoker.invoke（MethodInvoker.java:244）
位于py4j.reflection.ReflectionEngine.invoke（ReflectionEngine.java:357）
在py4j.Gateway.invoke处（Gateway.java:282）
位于py4j.commands.AbstractCommand.invokeMethod（AbstractCommand.java:132）
在py4j.commands.CallCommand.execute（CallCommand.java:79）
在py4j.GatewayConnection.run处（GatewayConnection.java:238）
运行（Thread.java:748）
该文件由另一个spark进程创建，并在此步骤中读取以进行处理。文件夹将具有。有什么问题吗？或者是我做错了什么基本的事情。

您需要通过文件系统传递路径。尝试为文件系统提供完整的限定路径，如
spark.read.csv（“hdfs:///hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file/*.csv”）

更新： 要使用正则表达式模式

spark.read.csv（“hdfs:///hdfsData/bdipoc/poc/Inbound/tmp/.TEST/23329_20210430_162409/src_copy_file.file/[part-]*.csv”）

不要认为这是问题所在>>>>>spark.read.csv（“hdfs://hostname/hdfsData/bdipoc/poc/Inbound/hifitmp/.HIFI/23329_20210430_162409/src_copy_file.file/part-00000-4a4cd500-4e34-4403-a75f-61e09210f9ee-c000.csv")数据帧[_c0:string]>>>spark.read.csv（“hdfs://hostname/hdfsData/bdipoc/poc/Inbound/hifitmp/.HIFI/23329_20210430_162409/src_copy_file.file/part-*.