无法构建火花张量流连接器，因为文件已存在

Question

我在GCP的Dataproc上构建spark-tensorflow-connector时遇到了问题。

当其中一个测试失败时，会出现此问题，因为

java.lang.IllegalStateException: LocalPath /tmp/spark-connector-propagate7442350445858279141 already exists. SaveMode: ErrorIfExists

我相信这个问题与LocalWiteSuite.scala脚本的这一部分有关：

"Propagate" should {
   "write data locally" in {
     // Create a dataframe with 2 partitions
     val rdd = spark.sparkContext.parallelize(testRows, numSlices = 2)
     val df = spark.createDataFrame(rdd, schema)
     // Write the partitions onto the local hard drive. Since it is going to be the
     // local file system, the partitions will be written in the same directory of the
     // same machine.
     // In a distributed setting though, two different machines would each hold a single
     // partition.
     val localPath = Files.createTempDirectory("spark-connector-propagate").toAbsolutePath.toString
     // Delete the directory, the default mode is ErrorIfExists
     Files.delete(Paths.get(localPath))
     df.write.format("tfrecords")
       .option("recordType", "Example")
       .option("writeLocality", "local")
       .save(localPath)
     // Read again this directory, this time using the Hadoop file readers, it should
     // return the same data.
     // This only works in this test and does not hold in general, because the partitions
     // will be written on the workers. Everything runs locally for tests.
     val df2 = spark.read.format("tfrecords").option("recordType", "Example")
       .load(localPath).sort("id").select("id", "IntegerTypeLabel", "LongTypeLabel",
       "FloatTypeLabel", "DoubleTypeLabel", "VectorLabel", "name") // Correct column order.
     assert(df2.collect().toSeq === testRows.toSeq)
   }
 }
}

如果我理解正确，数据集有两个分区，似乎它正在尝试使用相同的文件名在本地写入。

有没有人遇到过这个问题，或者我错过了一个步骤？

请注意，我在GitHub上发布了类似的问题

Answer 1

我有一种感觉，考虑到这是一个非常有价值的软件包，并且许多人已经成功安装了spark-tensorflow-connector，我错过了一步：

我没有将 Tensorflow Hadoop构建为 Maven 依赖项，这在第 3 步中明确定义。

但是，在构建 Tensorflow hadoop 时，我不得不使用一个额外的命令：export _JAVA_OPTIONS=-Djdk.net.URLClassPath.disableClassPathURLCheck=true 正如 Maven 的 Michael 所建议的那样，surefire 找不到 ForkedBooter 类。

编辑：该问题仍然存在于Dataproc上

溶液：

经过一番研究，我直接加载了最新版本的火花-张量流-连接器，并按照Maven发布的说明安装了它。我不必像Tensorflow Ecosystem中建议的那样安装Tensorflow Hadoop。请注意，我能够在我的 Dataproc 集群上安装 jar 文件。