Jak odczytać CSV na iskry w wersji 1.4?

Question

W związku z wydaniem nowej wersji spark (1.4) pojawiła się przyjemna interferencja interfejsu do spark z R pakietu o nazwie sparkR. Na documentation page of R for spark jest polecenie, które umożliwia odczyt json pliki jako obiekty RDD

people <- read.df(sqlContext, "./examples/src/main/resources/people.json", "json") 

Próbuję odczytać dane z pliku .csv jak jest to opisane na this revolutionanalitics' blog

# Download the nyc flights dataset as a CSV from https://s3-us-west-2.amazonaws.com/sparkr-data/nycflights13.csv 

# Launch SparkR using 
# ./bin/sparkR --packages com.databricks:spark-csv_2.10:1.0.3 

# The SparkSQL context should already be created for you as sqlContext 
sqlContext 
# Java ref type org.apache.spark.sql.SQLContext id 1 

# Load the flights CSV file using `read.df`. Note that we use the CSV reader Spark package here. 
flights <- read.df(sqlContext, "./nycflights13.csv", "com.databricks.spark.csv", header="true") 

nocie mówi, że potrzebuję pakietu spark-csv, aby umożliwić tę operację. Więc pobrać ten pakiet z tego github repo z tym poleceniem:

$ bin/spark-shell --packages com.databricks:spark-csv_2.10:1.0.3 

Ale potem spotkałem takiego błędu podczas próby odczytu pliku .csv.

> flights <- read.df(sqlContext, "./nycflights13.csv", "com.databricks.spark.csv", header="true") 
15/07/03 12:52:41 ERROR RBackendHandler: load on 1 failed 
java.lang.reflect.InvocationTargetException 
    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 org.apache.spark.api.r.RBackendHandler.handleMethodCall(RBackendHandler.scala:127) 
    at org.apache.spark.api.r.RBackendHandler.channelRead0(RBackendHandler.scala:74) 
    at org.apache.spark.api.r.RBackendHandler.channelRead0(RBackendHandler.scala:36) 
    at io.netty.channel.SimpleChannelInboundHandler.channelRead(SimpleChannelInboundHandler.java:105) 
    at io.netty.channel.AbstractChannelHandlerContext.invokeChannelRead(AbstractChannelHandlerContext.java:333) 
    at io.netty.channel.AbstractChannelHandlerContext.fireChannelRead(AbstractChannelHandlerContext.java:319) 
    at io.netty.handler.codec.MessageToMessageDecoder.channelRead(MessageToMessageDecoder.java:103) 
    at io.netty.channel.AbstractChannelHandlerContext.invokeChannelRead(AbstractChannelHandlerContext.java:333) 
    at io.netty.channel.AbstractChannelHandlerContext.fireChannelRead(AbstractChannelHandlerContext.java:319) 
    at io.netty.handler.codec.ByteToMessageDecoder.channelRead(ByteToMessageDecoder.java:163) 
    at io.netty.channel.AbstractChannelHandlerContext.invokeChannelRead(AbstractChannelHandlerContext.java:333) 
    at io.netty.channel.AbstractChannelHandlerContext.fireChannelRead(AbstractChannelHandlerContext.java:319) 
    at io.netty.channel.DefaultChannelPipeline.fireChannelRead(DefaultChannelPipeline.java:787) 
    at io.netty.channel.nio.AbstractNioByteChannel$NioByteUnsafe.read(AbstractNioByteChannel.java:130) 
    at io.netty.channel.nio.NioEventLoop.processSelectedKey(NioEventLoop.java:511) 
    at io.netty.channel.nio.NioEventLoop.processSelectedKeysOptimized(NioEventLoop.java:468) 
    at io.netty.channel.nio.NioEventLoop.processSelectedKeys(NioEventLoop.java:382) 
    at io.netty.channel.nio.NioEventLoop.run(NioEventLoop.java:354) 
    at io.netty.util.concurrent.SingleThreadEventExecutor$2.run(SingleThreadEventExecutor.java:116) 
    at io.netty.util.concurrent.DefaultThreadFactory$DefaultRunnableDecorator.run(DefaultThreadFactory.java:137) 
    at java.lang.Thread.run(Thread.java:745) 
Caused by: java.lang.RuntimeException: Failed to load class for data source: com.databricks.spark.csv 
    at scala.sys.package$.error(package.scala:27) 
    at org.apache.spark.sql.sources.ResolvedDataSource$.lookupDataSource(ddl.scala:216) 
    at org.apache.spark.sql.sources.ResolvedDataSource$.apply(ddl.scala:229) 
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:114) 
    at org.apache.spark.sql.SQLContext.load(SQLContext.scala:1230) 
    ... 25 more 
Error: returnStatus == 0 is not TRUE 

Jakieś pojęcie o tym, co oznacza ten błąd i jak go rozwiązać?

Oczywiście mógłbym spróbować odczytać .csv w sposób standardowy, takich jak:

read.table("data.csv") -> flights 

i wtedy mogę przekształcić R data.frame w spark „s DataFrame tak:

flightsDF <- createDataFrame(sqlContext, flights) 

Ale to nie podoba mi się to i to jest naprawdę czasochłonne.

Answer 1

Trzeba zacząć sparkR konsole za każdym razem tak:

sparkR --packages com.databricks:spark-csv_2.10:1.0.3 

Answer 2

Jeśli używasz Rstudio:

library(SparkR) 
Sys.setenv('SPARKR_SUBMIT_ARGS'='"--packages" "com.databricks:spark-csv_2.10:1.0.3" "sparkr-shell"') 
sqlContext <- sparkRSQL.init(sc) 

załatwia sprawę. Upewnij się, że wersja podana dla iskry-csv jest zgodna z wersją pobraną.

Answer 3

Upewnij się, że instalacja sparkr od wewnątrz za pomocą iskry:

install.packages("C:/spark/R/lib/sparkr.zip", repos = NULL) 

i nie fro github

że rozwiązać go dla mnie.