SparkContext.wholeTextFiles() java.io.FileNotFoundException：文件不存在：

Question

我正在尝试在存储 amazon S3 的文件上使用 apache Spark sc.wholeTextFiles() 我收到以下错误：

14/10/08 06:09:50 INFO input.FileInputFormat: Total input paths to process : 1
14/10/08 06:09:50 INFO input.FileInputFormat: Total input paths to process : 1
Traceback (most recent call last):
File "/root/distributed_rdd_test.py", line 27, in <module>
result = distData.flatMap(gensim.corpora.wikicorpus.extract_pages).take(10)
File "/root/spark/python/pyspark/rdd.py", line 1126, in take
totalParts = self._jrdd.partitions().size()
File "/root/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py", line 538, in __call__
File "/root/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 o30.partitions.
: java.io.FileNotFoundException: File does not exist: /wikiinput/wiki.xml.gz
at org.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:517)
at org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat$OneFileInfo.<init>(CombineFileInputFormat.java:489)
at org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat.getMoreSplits(CombineFileInputFormat.java:280)
at org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat.getSplits(CombineFileInputFormat.java:240)
at org.apache.spark.rdd.WholeTextFileRDD.getPartitions(NewHadoopRDD.scala:220)
at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:204)
at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:202)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:202)
at org.apache.spark.api.python.PythonRDD.getPartitions(PythonRDD.scala:56)
at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:204)
at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:202)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:202)
at org.apache.spark.api.java.JavaRDDLike$class.partitions(JavaRDDLike.scala:50)
at org.apache.spark.api.java.JavaRDD.partitions(JavaRDD.scala:32)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
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)

我的代码如下：

sc = SparkContext(appName="Process wiki")
distData = sc.wholeTextFiles('s3n://wiki-dump/wikiinput') 
result = distData.flatMap(gensim.corpora.wikicorpus.extract_pages).take(10)
for item in result:
    print item.getvalue()
sc.stop()

所以我的问题是，是否可以在 Spark 中从 S3 读取整个文件？根据文档应该是可以的，但它似乎对我不起作用。

当我这样做时：

sc = SparkContext(appName="Process wiki")
distData = sc.wholeTextFiles('s3n://wiki-dump/wikiinput').take(10)
print distData

那么我得到的错误是完全一样的。

编辑：

当然我试过 sc.textFile('s3n://wiki-dump/wikiinput')，它读取文件没有任何问题。

EDIT2：

我也尝试从 Scala 运行相同的代码，但仍然遇到相同的错误。特别是我正在尝试运行val file = sc.wholeTextFiles("s3n://wiki-dump/wikiinput").first()

Answer 1

由于错误消息指向您未指定的特定文件 (/wikiinput/wiki.xml.gz)，因此该文件应该已损坏或您没有正确的访问权限。

您使用的是最新版本的 Spark 吗？我认为 Python 在旧版 Spark 中有些落后。

gensim.corpora.wikicorpus.extract_pages 期望什么输入？我只是好奇，因为/wikiinput/wiki.xml.gz 既不包含协议也不包含存储桶，因此可能根本无法解决正确的文件。当我在 Scala 和 HDFS 上使用 WholeTextFiles 时，文件名为 hdfs://<host>:<port>/path/to/file。

Answer 2

问题似乎主要不在于 spark，而在于链接的 Hadoop 库的版本。我在将 spark 1.3.0 与 Hadoop 1 一起使用时得到了这个，但在使用 Hadoop 2 时看不到它。如果您需要此方法来使用 s3，请务必安装链接到 Hadoop 2 库的 spark 版本。具体来说，如果您使用 spark-ec2 脚本在 AWS 上设置集群，请确保包含选项 --hadoop-major-version=2

完整的细节可以在这里找到： https://issues.apache.org/jira/browse/SPARK-4414