Apache Spark MLlib с API DataFrame предоставляет java.net.URISyntaxException при создании createDataFrame() или read(). Csv (...)

Question

В автономном приложении (работает на java8, Windows 10 с spark-xxx_2.11: 2.0. 0 в зависимости баночка) следующий код выдает ошибку:

/* this: */ 
Dataset<Row> logData = spark_session.createDataFrame(Arrays.asList(
    new LabeledPoint(1.0, Vectors.dense(4.9,3,1.4,0.2)), 
    new LabeledPoint(1.0, Vectors.dense(4.7,3.2,1.3,0.2)) 
), LabeledPoint.class); 

/* or this: */ 
/* logFile: "C:\files\project\file.csv", "C:\\files\\project\\file.csv", 
      "C:/files/project/file.csv", "file:/C:/files/project/file.csv", 
      "file:///C:/files/project/file.csv", "/file.csv" */ 
Dataset<Row> logData = spark_session.read().csv(logFile); 

Исключение:

java.lang.IllegalArgumentException: java.net.URISyntaxException: Relative path in absolute URI: file:C:/files/project/spark-warehouse 
       at org.apache.hadoop.fs.Path.initialize(Path.java:206) 
       at org.apache.hadoop.fs.Path.<init>(Path.java:172) 
       at org.apache.spark.sql.catalyst.catalog.SessionCatalog.makeQualifiedPath(SessionCatalog.scala:114) 
       at org.apache.spark.sql.catalyst.catalog.SessionCatalog.createDatabase(SessionCatalog.scala:145) 
       at org.apache.spark.sql.catalyst.catalog.SessionCatalog.<init>(SessionCatalog.scala:89) 
       at org.apache.spark.sql.internal.SessionState.catalog$lzycompute(SessionState.scala:95) 
       at org.apache.spark.sql.internal.SessionState.catalog(SessionState.scala:95) 
       at org.apache.spark.sql.internal.SessionState$$anon$1.<init>(SessionState.scala:112) 
       at org.apache.spark.sql.internal.SessionState.analyzer$lzycompute(SessionState.scala:112) 
       at org.apache.spark.sql.internal.SessionState.analyzer(SessionState.scala:111) 
       at org.apache.spark.sql.execution.QueryExecution.assertAnalyzed(QueryExecution.scala:49) 
       at org.apache.spark.sql.Dataset$.ofRows(Dataset.scala:64) 
       at org.apache.spark.sql.SparkSession.createDataFrame(SparkSession.scala:373) 
       at <call in my line of code> 

Как я могу загрузить CSV-файл в Dataset<Row> из кода Java?

Answer 1

Существует некоторая проблема с пути к файловой системе. См. Jira https://issues.apache.org/jira/browse/SPARK-15899. Для обходного пути вы можете установить «spark.sql.warehouse.dir» в SparkSession, как показано ниже.

SparkSession spark = SparkSession 
    .builder() 
    .appName("JavaALSExample") 
    .config("spark.sql.warehouse.dir", "/file:C:/temp") 
    .getOrCreate();