Spark多文件输出(MultipleTextOutputFormat)

因为Spark内部写文件方式其实调用的都是Hadoop那一套东西，所以我们也可以通过Spark实现多文件输出。不过遗憾的是，Spark内部没有多文件输出的函数供大家直接调用，值得欣慰的是，我们自己实现这个功能也是很简单的。我们可以通过调用saveAsHadoopFile函数并自定义一个OutputFormat类即可，代码如下：

[plain] view plain copy print ?

1. import org.apache.hadoop.io.NullWritable  
2.    
3. import org.apache.spark._  
4. import org.apache.spark.SparkContext._  
5. import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat  
6.    
7. class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {  
8.   override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String =  
9.     key.asInstanceOf[String]  
10. }  
11.    
12. object Split {  
13.   def main(args: Array[String]) {  
14.     val conf = new SparkConf().setAppName("SplitTest")  
15.     val sc = new SparkContext(conf)  
16.     sc.parallelize(List(("w", "www"), ("b", "blog"), ("c", "com"), ("w", "bt")))  
17.       .map(value => (value._1, value._2 + "Test"))  
18.       .partitionBy(new HashPartitioner(3))  
19.       .saveAsHadoopFile("/iteblog", classOf[String], classOf[String],  
20.         classOf[RDDMultipleTextOutputFormat])  
21.     sc.stop()  
22.   }  
23. }  

　　RDDMultipleTextOutputFormat类中的generateFileNameForKeyValue函数有三个参数，key和value就是我们RDD的Key和Value，而name参数是每个Reduce的编号。本例中没有使用该参数，而是直接将同一个Key的数据输出到同一个文件中。执行：

[plain] view plain copy print ?

1. bin/spark-submit --master yarn-cluster   
2. --class Split ./iteblog-1.0-SNAPSHOT.jar  

　　然后我们可以看到在HDFS上输出的文件列表如下：

[plain] view plain copy print ?

1. [iteblog@master ]$ bin/hadoop fs -ls /iteblog  
2. Found 4 items  
3. -rw-r--r--   3 iteblog hadoop2          0 2015-03-09 11:26 /iteblog/_SUCCESS  
4. -rw-r--r--   3 iteblog hadoop2         11 2015-03-09 11:26 /iteblog/b  
5. -rw-r--r--   3 iteblog hadoop2         10 2015-03-09 11:26 /iteblog/c  
6. -rw-r--r--   3 iteblog hadoop2         19 2015-03-09 11:26 /iteblog/w  
7.    
8. [iteblog@master ]$ bin/hadoop fs -cat /iteblog/w  
9. w   btTest  
10. w   wwwTest  

　　从上面的输出可以看出key为w的记录全部输出到文件名为w的文件中去了。