我使用的是spark-sql-2.4.1v,它使用的是hadoop-2.6.5.jar版本。我需要先在hdfs上保存数据,然后再转到cassandra。因此,我尝试将hdfs上的数据保存如下:
String hdfsPath = "/user/order_items/";
cleanedDs.createTempViewOrTable("source_tab");
givenItemList.parallelStream().forEach( item -> {
String query = "select $item as itemCol , avg($item) as mean groupBy year";
Dataset<Row> resultDs = sparkSession.sql(query);
saveDsToHdfs(hdfsPath, resultDs );
});
public static void saveDsToHdfs(String parquet_file, Dataset<Row> df) {
df.write()
.format("parquet")
.mode("append")
.save(parquet_file);
logger.info(" Saved parquet file : " + parquet_file + "successfully");
}
当我在群集上运行作业时,它会引发以下错误:
java.io.IOException: Failed to rename FileStatus{path=hdfs:/user/order_items/_temporary/0/_temporary/attempt_20180626192453_0003_m_000007_59/part-00007.parquet; isDirectory=false; length=952309; replication=1; blocksize=67108864; modification_time=1530041098000; access_time=0; owner=; group=; permission=rw-rw-rw-; isSymlink=false} to hdfs:/user/order_items/part-00007.parquet
at org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter.mergePaths(FileOutputCommitter.java:415)
请建议如何解决此问题?
2条答案
按热度按时间xmq68pz91#
错误是您试图将Dataframe写入givenitemlist集合中每个项的相同位置。通常,如果这样做,就会产生错误
outputdirectory已存在
但是由于foreach函数将执行并行线程中的所有项,因此会出现此错误
});
或者你也可以在hdfspath下有这样的子目录
}); `
57hvy0tb2#
您可以在一个作业中执行所有选择,在一个表中获取所有选择和联合。