我有一个csv文件“test.csv”,我试图复制到群集上的所有节点。
我有一个4节点的apache-spark 1.5.2独立集群。有4个工人,其中一个节点也有主要/驱动程序以及工作人员。
如果我跑:
$SPARK_HOME/bin/pyspark --files=./test.csv
或在REPL界面内执行sc.addFile('file://' + '/local/path/to/test.csv')
我看到火花日志如下:
16/05/05 15:26:08 INFO Utils: Copying /local/path/to/test.csv to /tmp/spark-5dd7fc83-a3ef-4965-95ba-1b62955fb35b/userFiles-a4cb1723-e118-4f0b-9f26-04be39e5e28d/test.csv
16/05/05 15:26:08 INFO SparkContext: Added file file:/local/path/to/test.csv at http://192.168.1.4:39578/files/test.csv with timestamp 1462461968158
在主/驱动程序节点上的单独窗口中,我可以使用ls轻松定位文件,即(ls -al /tmp/spark-5dd7fc83-a3ef-4965-95ba-1b62955fb35b/userFiles-a4cb1723-e118-4f0b-9f26-04be39e5e28d/test.csv
)。
但是,如果我登录工作人员,/tmp/spark-5dd7fc83-a3ef-4965-95ba-1b62955fb35b/userFiles-a4cb1723-e118-4f0b-9f26-04be39e5e28d/test.csv
上没有文件,甚至/tmp/spark-5dd7fc83-a3ef-4965-95ba-1b62955fb35b
也没有文件夹
但是apache spark web界面显示了所有节点上正在运行的作业和分配的核心,控制台中也没有出现其他警告或错误。
正如Daniel评论的那样,每个工作者都以不同的方式管如果要访问添加的文件,则可以使用SparkFiles.get(file)
。如果你想查看文件的目录,那么你可以打印SparkFiles.getDirectory
的输出(现在SparkFiles.getRootDirectory
)