Python 运行PySpark命令时出错

我在Hadoop 2.6.0中安装了Spark 1.4.1，并尝试运行以下PySpark命令来计算行数。它会引发以下错误。我是Spark的新手，无法找到错误

谁能提供解决方案

>>> distFile = sc.textFile("/home/hduser2/spark-1.4.1-bin-hadoop2.6/README.md")
15/12/31 09:31:50 INFO storage.MemoryStore: ensureFreeSpace(213560) called with curMem=695185, maxMem=278019440
15/12/31 09:31:50 INFO storage.MemoryStore: Block broadcast_10 stored as values in memory (estimated size 208.6 KB, free 264.3 MB)
15/12/31 09:31:50 INFO storage.MemoryStore: ensureFreeSpace(19929) called with curMem=908745, maxMem=278019440
15/12/31 09:31:50 INFO storage.MemoryStore: Block broadcast_10_piece0 stored as bytes in memory (estimated size 19.5 KB, free 264.3 MB)
15/12/31 09:31:50 INFO storage.BlockManagerInfo: Added broadcast_10_piece0 in memory on localhost:60765 (size: 19.5 KB, free: 265.1 MB)
15/12/31 09:31:50 INFO spark.SparkContext: Created broadcast 10 from textFile at NativeMethodAccessorImpl.java:-2


>>> distFile.count()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/spark/python/pyspark/rdd.py", line 984, in count
    return self.mapPartitions(lambda i: [sum(1 for _ in i)]).sum()
  File "/usr/local/spark/python/pyspark/rdd.py", line 975, in sum
    return self.mapPartitions(lambda x: [sum(x)]).fold(0, operator.add)
  File "/usr/local/spark/python/pyspark/rdd.py", line 852, in fold
    vals = self.mapPartitions(func).collect()
  File "/usr/local/spark/python/pyspark/rdd.py", line 757, in collect
    port = self.ctx._jvm.PythonRDD.collectAndServe(self._jrdd.rdd())
  File "/usr/local/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py", line 538, in __call__
  File "/usr/local/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py", line 300, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.collectAndServe.
: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: hdfs://localhost:9000/home/hduser2/spark-1.4.1-bin-hadoop2.6/README.md
    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:207)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:219)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:217)
    at scala.Option.getOrElse(Option.scala:120)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:217)
    at org.apache.spark.rdd.MapPartitionsRDD.getPartitions(MapPartitionsRDD.scala:32)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:219)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:217)
    at scala.Option.getOrElse(Option.scala:120)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:217)
    at org.apache.spark.api.python.PythonRDD.getPartitions(PythonRDD.scala:58)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:219)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:217)
    at scala.Option.getOrElse(Option.scala:120)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:217)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1781)
    at org.apache.spark.rdd.RDD$$anonfun$collect$1.apply(RDD.scala:885)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:147)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:108)
    at org.apache.spark.rdd.RDD.withScope(RDD.scala:286)
    at org.apache.spark.rdd.RDD.collect(RDD.scala:884)
    at org.apache.spark.api.python.PythonRDD$.collectAndServe(PythonRDD.scala:378)
    at org.apache.spark.api.python.PythonRDD.collectAndServe(PythonRDD.scala)
    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:497)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379)
    at py4j.Gateway.invoke(Gateway.java:259)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:207)
    at java.lang.Thread.run(Thread.java:745)

distFile=sc.textFile（“/home/hduser2/spark-1.4.1-bin-hadoop2.6/README.md”） 15/12/31 09:31:50 INFO storage.MemoryStore:EnsureRefreeSpace（213560）调用curMem=695185，maxMem=278019440 15/12/31 09:31:50 INFO storage.MemoryStore:块广播存储为内存中的值（估计大小208.6 KB，可用264.3 MB） 15/12/31 09:31:50 INFO storage.MemoryStore:ensureRefreeSpace（19929）调用curMem=908745，maxMem=278019440 15/12/31 09:31:50 INFO storage.MemoryStore:Block broadcast_10_piece0以字节形式存储在内存中（估计大小19.5 KB，可用264.3 MB） 15/12/31 09:31:50 INFO storage.BlockManagerInfo:在本地主机上的内存中添加了广播\u 10\u片段0:60765（大小：19.5 KB，可用空间：265.1 MB） 15/12/31 09:31:50 INFO spark.SparkContext:从NativeMethodAccessorImpl.java的文本文件创建广播10:-2 >>>distFile.count（） 回溯（最近一次呼叫最后一次）： 文件“”，第1行，在 文件“/usr/local/spark/python/pyspark/rdd.py”，第984行，计数 返回self.mapPartitions（lambda i:[sum（i中的u为1）]）.sum（） 文件“/usr/local/spark/python/pyspark/rdd.py”，第975行，总计 返回self.mapPartitions（lambda x:[求和（x）]）.fold（0，运算符.add） 文件“/usr/local/spark/python/pyspark/rdd.py”，第852行，折叠 vals=self.mapPartitions（func.collect（）） 文件“/usr/local/spark/python/pyspark/rdd.py”，第757行，在collect中 port=self.ctx.\u jvm.PythonRDD.collectAndServe（self.\u jrdd.rdd（）） 文件“/usr/local/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py”，第538行，在调用中__ 文件“/usr/local/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py”，第300行，在get_return_值中 py4j.protocol.Py4JJavaError:调用z:org.apache.spark.api.python.PythonRDD.collectAndServe时出错。 ：org.apache.hadoop.mapred.InvalidInputException:输入路径不存在：hdfs://localhost:9000/home/hduser2/spark-1.4.1-bin-hadoop2.6/README.md 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:207） 位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:219） 位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:217） 在scala.Option.getOrElse（Option.scala:120） 位于org.apache.spark.rdd.rdd.partitions（rdd.scala:217） 位于org.apache.spark.rdd.MapPartitionsRDD.getPartitions（MapPartitionsRDD.scala:32） 位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:219） 位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:217） 在scala.Option.getOrElse（Option.scala:120） 位于org.apache.spark.rdd.rdd.partitions（rdd.scala:217） 位于org.apache.spark.api.python.PythonRDD.getPartitions（PythonRDD.scala:58） 位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:219） 位于org.apache.spark.rdd.rdd$$anonfun$partitions$2.apply（rdd.scala:217） 在scala.Option.getOrElse（Option.scala:120） 位于org.apache.spark.rdd.rdd.partitions（rdd.scala:217） 位于org.apache.spark.SparkContext.runJob（SparkContext.scala:1781） 位于org.apache.spark.rdd.rdd$$anonfun$collect$1.apply（rdd.scala:885） 位于org.apache.spark.rdd.RDDOperationScope$.withScope（RDDOperationScope.scala:147） 位于org.apache.spark.rdd.RDDOperationScope$.withScope（RDDOperationScope.scala:108） 位于org.apache.spark.rdd.rdd.withScope（rdd.scala:286） 位于org.apache.spark.rdd.rdd.collect（rdd.scala:884） 位于org.apache.spark.api.python.PythonRDD$.collectAndServe（PythonRDD.scala:378） 位于org.apache.spark.api.python.PythonRDD.collectAndServe（PythonRDD.scala） 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:497） 位于py4j.reflection.MethodInvoker.invoke（MethodInvoker.java:231） 位于py4j.reflection.ReflectionEngine.invoke（ReflectionEngine.java:379） 在py4j.Gateway.invoke处（Gateway.java:259） 位于py4j.commands.AbstractCommand.invokeMethod（AbstractCommand.java:133） 在py4j.commands.CallCommand.execute（CallCommand.java:79） 在py4j.GatewayConnection.run处（GatewayConnection.java:207） 运行（Thread.java:745）

---

您说该文件在本地文件系统中，但错误表明它正在HDFS上查找该文件

输入路径不存在：hdfs://localhost:9000/home/hduser2/spark-1.4.1-bin-hadoop2.6/README.md.

Spark延迟执行，这意味着它在需要读取文件之前不会真正读取文件，例如调用

count（）

。这就解释了为什么前一行没有出错

---

您可以在HDFS中将文件移动到该路径，也可以在本地模式下设置SparkContext

您的文件是否位于本地文件系统或hdfs上？感谢@cricket_007提醒您文件的位置。现在我得到了预期的输出。是的@cricket_007我将文件复制到了hdfs。现在它正在成功运行。如何在本地模式下设置SparkContext。