P1 需求描述
在做spark程序开发的时候,我们经常会遇到需要从外部文件读入数据,进而在程序中进行解析、处理,比如以下场景:
- 1)读入要处理的数据;
- 2)为了不写死代码,将需要的数据以K、V的形式保存在文件中;
- 3)同样是为了代码的可维护性,将sql语句保存在外部sql文件。
P2 环境介绍
本文以spark on yarn下的client为例进行说明
P3 代码说明
1、client模式下,通过submit的--conf命令传入外部文件路径,路径默认是HDFS命令,当然,也可以通过file:///E\\files\\xx.sql命令指定本地目录,spark-submit命令如下:
spark-submit
--master yarn \
--class cn.lion.sqltest.ReadSqlTest \
--deploy-mode client \
--conf spark.file.fileName=/data/input/sqlTest.sql \
/opt/jars/myspark-1.0-SNAPSHOT.jar
--conf spark.file.fileName该名称可以自定义,主要由spark开头即可,如spark.xx.xx.xx
2、代码部分
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("ReadSqlTest")
// .master("local[*]")
.getOrCreate()
spark.sparkContext.setLogLevel("WARN")
val fileName = spark.conf.get("spark.file.fileName")
val sqlData: Dataset[String] = spark.read.textFile(fileName)
val lineArray: Array[String] = sqlData.collect()
val sb = new StringBuffer()
for (elem <- lineArray) {
sb.append(elem + "\n")
}
println(sb.toString)
spark.stop()
}
3、说明
示例代码中获取的是sql文件,内部是sql语句,本例是直接将sql语句打印,开发的时候可以根据需要自行调整。
P4 执行过程及结果
1、提交命令
2、client
3、打印结果
P5 本文备注
本次只介绍了client模式下获取外部文件的方法,而cluster模式略有不同,driver可能会在任意一台有资源的机器上启动,需要通过分布式文件系统获取文件,后续会进行探讨,敬请期待......