在Windows环境下从Rstudio加载spark-csv

Question

谁能告诉我，在Windows7环境下，是否可以使用R studio从SparkR导入spark-csv包？我的本地机器安装了R 3.2.2，spark-1.6.1-bin-hadoop2.6和java，但没有安装maven，scala等，我不知道为了调用spark-csv我是否错过了什么？我应该安装这个包(.jar文件)并放在某个文件夹中吗？

下面是我的脚本：

library(rJava)
Sys.setenv(SPARK_HOME = 'C:/Users/***/spark-1.6.1-bin-hadoop2.6')

.libPaths(c(file.path(Sys.getenv('SPARK_HOME'), 'R', 'lib'), .libPaths()))
library(SparkR)

Sys.setenv('SPARKR_SUBMIT_ARGS'='"--packages" "com.databricks:spark-csv_2.11:1.4.0" "sparkr-shell"')

sc <- sparkR.init(master = "local[*]", sparkEnvir = list(spark.driver.memory="2g"))
sqlContext <- sparkRSQL.init(sc)

我能够调用sparkR库并启动sc，这是消息：

Launching java with spark-submit command C:/Users/***/spark-1.6.1-bin-hadoop2.6/bin/spark-submit.cmd   --driver-memory "2g" "--packages" "com.databricks:spark-csv_2.11:1.4.0" "sparkr-shell" C:\Users\hwu\AppData\Local\Temp\2\Rtmp46MVve\backend_port13b423eed9c 

然后，当我尝试加载本地csv文件时，它失败了。我已经将csv文件放在R的当前工作目录下了。

 flights <- read.df(sqlContext, "nycflights13.csv", "com.databricks.spark.csv", header="true")

我收到了这个错误消息：

Error in invokeJava(isStatic = TRUE, className, methodName, ...) : 
org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 0.0 failed 1 times, most recent failure: Lost task 0.0 in stage 0.0 (TID 0, localhost): java.lang.NullPointerException
at java.lang.ProcessBuilder.start(Unknown Source)
at org.apache.hadoop.util.Shell.runCommand(Shell.java:482)
at org.apache.hadoop.util.Shell.r...(Shell.java:455)
at org.apache.hadoop.util.Shell$ShellCommandExecutor.execute(Shell.java:715)
at org.apache.hadoop.fs.FileUtil.chmod(FileUtil.java:873)
at org.apache.hadoop.fs.FileUtil.chmod(FileUtil.java:853)
at org.apache.spark.util.Utils$.fetchFile(Utils.scala:406)
at org.apache.spark.executor.Executor$$anonfun$org$apache$spark$executor$Executor$$updateDependencies$5.apply(Executor.scala:405)
at org.apache.spark.executor.Executor$$anonfun$org$apache$spark$executor$Executor$$updateDependencies$5.apply(Executor.scala:397)
at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:7

谢谢你的建议。

Answer 1

而不是这样：

Sys.setenv('SPARKR_SUBMIT_ARGS'='"--packages" "com.databricks:spark-csv_2.11:1.4.0" "sparkr-shell"')

试试这个：

Sys.setenv(SPARKR_SUBMIT_ARGS="--packages com.databricks:spark-csv_2.11:1.4.0 sparkr-shell"

或者可能是这样

sc <- sparkR.init(master="local[*]",appName="yourapp",sparkPackages="com.databricks:spark-csv_2.11:1.4.0")

Answer 2

预构建的Spark发行版，如您正在使用的发行版，仍然是使用Scala 2.10构建的，而不是2.11。因此，您需要一个针对Scala2.10的spark-csv构建，而不是针对Scala2.11的构建(就像您在代码中使用的那样)。将com.databricks:spark-csv_2.11:1.4.0更改为com.databricks:spark-csv_2.10:1.4.0，就可以了(另请参阅my answer in a relevant SO question)。

我从未在Windows中测试过Spark，但最近我做了一个简短的演示，用于在blog post中使用RStudio中的SparkR，你可能会发现它很有用。