私はspark.sql.parquet.output.committer.classを設定しようとしていますが、設定を有効にすることはできません。pysparkでspark.sql.parquet.output.committer.classを設定する方法
多くのスレッドが同じ出力フォルダに書き込もうとしていますが、これは_temporary
フォルダを使用しないため、org.apache.spark.sql. parquet.DirectParquetOutputCommitter
で動作します。
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)
をorg.apache.parquet.hadoop.ParquetOutputCommitter.commitJob
への呼び出し、デフォルトのクラスに注意してください。私はそれが動作していないことを知っている方法です、次のエラーが発生し、取得しています。
私は他のSOの答えと検索に基づいて、次のことを試してみた:
sc._jsc.hadoopConfiguration().set(key, val)
(これはparquet.enable.summary-metadata
などの設定のための作業を行います)dataframe.write.option(key, val).parquet
- をコール に
- コールに
--conf "spark.sql.parquet.output.committer.class"=" org.apache.spark.sql.parquet.DirectParquetOutputCommitter"
を追加する。
--conf "spark.hadoop.spark.sql.parquet.output.committer.class=org.apache.spark.sql.parquet.DirectParquetOutputCommitter"
を追加します
これはすべて私が見つけたことであり、何も効果がありません。 set in Scalaは難しくないようですが、Pythonでは不可能と思われます。 this commentで
Githubの問題:https://github.com/apache/spark/pull/12229 – ksindi