尝试使用 Sparklyr 将 R 连接到 Spark

Question

我正在尝试使用 Sparklyr 将 R 连接到 Spark。

我按照 rstudio 博客的教程进行操作

我尝试使用安装sparklyr

• install.packages("sparklyr")一切顺利，但在另一篇文章中，我看到sparklyr_0.4版本中有一个错误。所以我按照说明使用下载开发版本

• devtools::install_github("rstudio/sparklyr")这也很顺利，现在我的sparklyr版本是sparklyr_0.4.16。

我按照 rstudio 教程下载并安装 Spark 使用

spark_install(version = "1.6.2")

当我尝试第一次使用连接到 Spark 时

sc <- spark_connect(master = "local")

出现以下错误。

Created default hadoop bin directory under: C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop
Error: 
To run Spark on Windows you need a copy of Hadoop winutils.exe:
1. Download Hadoop winutils.exe from:
   https://github.com/steveloughran/winutils/raw/master/hadoop-2.6.0/bin/
2. Copy winutils.exe to C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop\bin
Alternatively, if you are using RStudio you can install the RStudio Preview Release,
which includes an embedded copy of Hadoop winutils.exe:
  https://www.rstudio.com/products/rstudio/download/preview/**

然后我下载了 winutils.exe 并将其放入C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop\bin- 这是在说明中给出的。

我尝试再次连接到 Spark。

sc <- spark_connect(master = "local",version = "1.6.2")

但我收到以下错误

Error in force(code) : 
Failed while connecting to sparklyr to port (8880) for sessionid (8982): Gateway in port (8880) did not respond.
Path: C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\bin\spark-submit2.cmd
Parameters: --class, sparklyr.Backend, --packages, "com.databricks:spark-csv_2.11:1.3.0", "C:\Users\rkaku\Documents\R\R-3.2.3\library\sparklyr\java\sparklyr-1.6-2.10.jar", 8880, 8982
Traceback:
  shell_connection(master = master, spark_home = spark_home, app_name = app_name, version = version, hadoop_version = hadoop_version, shell_args = shell_args, config = config, service = FALSE, extensions = extensions)
  start_shell(master = master, spark_home = spark_home, spark_version = version, app_name = app_name, config = config, jars = spark_config_value(config, "spark.jars.default", list()), packages = spark_config_value(config, "sparklyr.defaultPackages"), extensions = extensions, environment = environment, shell_args = shell_args, service = service)
  tryCatch({
gatewayInfo <- spark_connect_gateway(gatewayAddress, gatewayPort, sessionId, config = config, isStarting = TRUE)
}, error = function(e) {
abort_shell(paste("Failed while connecting to sparklyr to port (", gatewayPort, ") for sessionid (", sessionId, "): ", e$message, sep = ""), spark_submit_path, shell_args, output_file, error_file)
})
  tryCatchList(expr, classes, parentenv, handlers)
  tryCatchOne(expr, names, parentenv, handlers[[1]])
  value[[3]](cond)
  abort_shell(paste("Failed while connecting to sparklyr to port (", gatewayPort, ") for sessionid (", sessionId, "): ", e$message, sep = ""), spark_submit_path, shell_args, output_file, error_file)

---- Output Log ----
The system cannot find the path specified.

有人可以帮我解决这个问题吗？过去两周我一直在处理这个问题，但没有得到太多帮助。真的很感谢任何可以帮助我解决这个问题的人。

Answer 1

我终于解决了这个问题，并且很高兴能够自己完成这一切。显然有很多谷歌搜索。

问题出在 Winutils.exe 上。

R studio 没有提供放置 winutils.exe 的正确位置。从我的问题复制 - 粘贴 winutils.exe 的位置是 C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\tmp\hadoop\bin。

但是，在谷歌搜索时，我发现将在临时文件夹中创建一个日志文件来检查问题，如下所示。

java.io.IOException：无法在 Hadoop 二进制文件中找到可执行文件C:\Users\rkaku\AppData\Local\rstudio\spark\Cache\spark-1.6.2-bin-hadoop2.6\bin\bin\winutils.exe

日志文件中给出的位置与 R Studio 建议的位置不同:) 最后在 Spark 日志文件引用的位置插入 winutils.exe 后，我能够成功连接到 Sparklyr ...... wohooooooo！ ！我不得不说，仅仅连接到 Spark 就花费了 3 周的时间，但这一切都是值得的:)