Apache Spark在Hadoop上工作时出现问题

我对大数据非常陌生，尤其是

apachespark

/

Hadoop-warn

为了进行一些尝试，我在虚拟机中安装了Hadoop单节点，并添加了Spark

我认为环境安装良好，因为我可以访问：

• ->Hadoop概述
• ->Spark概述

然后，我创建了一个pythonic文件，用于计算单词：

from pyspark import SparkConf, SparkContext

from operator import add
import sys
## Constants
APP_NAME = " HelloWorld of Big Data"
##OTHER FUNCTIONS/CLASSES

def main(sc,filename):
   textRDD = sc.textFile(filename)
   words = textRDD.flatMap(lambda x: x.split(' ')).map(lambda x: (x, 1))
   wordcount = words.reduceByKey(add).collect()
   for wc in wordcount:
      print wc[0],wc[1]

if __name__ == "__main__":

   # Configure Spark
   conf = SparkConf().setAppName(APP_NAME)
   conf = conf.setMaster("local[*]")
   sc   = SparkContext(conf=conf)
   filename = sys.argv[1]
   # Execute Main functionality
   main(sc, filename)

我有一个名为data.txt的文本文件。我通过以下方式将此文件上载到HDFS：

hadoop fs -put data.txt hdfs://localhost:9000

我的文件位于：

hdfs://localhost:9000/user/hduser

因此，我希望借助Spark/Hadoop来执行我的pythonic脚本

我做了：

/bin/spark submit/home/hduser/count.py/home/hduser/data.txt

但我得到：

Traceback (most recent call last):
  File "/home/hduser/count.py", line 25, in <module>
    main(sc, filename)
  File "/home/hduser/count.py", line 13, in main
    wordcount = words.reduceByKey(add).collect()
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 1623, in reduceByKey
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 1849, in combineByKey
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 2259, in _defaultReducePartitions
  File "/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py", line 2455, in getNumPartitions
  File "/usr/local/spark/python/lib/py4j-0.10.6-src.zip/py4j/java_gateway.py", line 1160, in __call__
  File "/usr/local/spark/python/lib/py4j-0.10.6-src.zip/py4j/protocol.py", line 320, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o21.partitions.
: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: hdfs://localhost:9000/home/hduser/data.txt
    at org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus(FileInputFormat.java:285)
    at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:228)
    at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:313)
    at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:200)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:253)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:251)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:251)
    at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:253)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:251)
    at scala.Option.getOrElse(Option.scala:121)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:251)
    at org.apache.spark.api.java.JavaRDDLike$class.partitions(JavaRDDLike.scala:61)
    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: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:214)
    at java.lang.Thread.run(Thread.java:748)

回溯（最近一次呼叫最后一次）：
文件“/home/hduser/count.py”，第25行，在
主（sc，文件名）
文件“/home/hduser/count.py”，第13行，主目录
wordcount=words.reduceByKey（add.collect（））
文件“/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py”，第1623行，在reduceByKey中
combineByKey中的文件“/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py”，第1849行
文件“/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py”，第2259行，在_defaultReducePartitions中
getNumPartitions中的文件“/usr/local/spark/python/lib/pyspark.zip/pyspark/rdd.py”，第2455行
文件“/usr/local/spark/python/lib/py4j-0.10.6-src.zip/py4j/java_gateway.py”，第1160行，在__
文件“/usr/local/spark/python/lib/py4j-0.10.6-src.zip/py4j/protocol.py”，第320行，在get_return_值中
py4j.protocol.Py4JJavaError:调用o21.0分区时出错。
：org.apache.hadoop.mapred.InvalidInputException:输入路径不存在：hdfs://localhost:9000/home/hduser/data.txt
位于org.apache.hadoop.mapred.FileInputFormat.singleThreadedListStatus（FileInputFormat.java:285）
位于org.apache.hadoop.mapred.FileInputFormat.listStatus（FileInputFormat.java:228）
位于org.apache.hadoop.mapred.FileInputFormat.getSplits（FileInputFormat.java:313）
位于org.apache.spark.rdd.HadoopRDD.getPartitions（HadoopRDD.scala:200）
位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:253）
位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:251）
位于scala.Option.getOrElse（Option.scala:121）
位于org.apache.spark.rdd.rdd.partitions（rdd.scala:251）
位于org.apache.spark.rdd.MapPartitionsRDD.getPartitions（MapPartitionsRDD.scala:35）
位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:253）
位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:251）
位于scala.Option.getOrElse（Option.scala:121）
位于org.apache.spark.rdd.rdd.partitions（rdd.scala:251）
位于org.apache.spark.api.java.JavaRDDLike$class.partitions（JavaRDDLike.scala:61）
位于org.apache.spark.api.java.AbstractJavaRDDLike.partitions（JavaRDDLike.scala:45）
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:214）
运行（Thread.java:748）

这很奇怪，因为我的data.txt文件是HDFS文件，但我有一个问题：

输入路径不存在：hdfs://localhost:9000/home/hduser/data.txt

---

知道吗？

您的URL无效。HDFS中没有

home

文件夹。请尝试以下方法：

./bin/spark-submit /home/hduser/count.py /user/hduser/data.txt

---

确保在SPARK-env.sh中设置了HADOOP_HOME和SPARK_HOME路径变量。这样，您就可以使用HDFS执行I/O操作，并将作业提交到集群