Spark算子：RDD行动Action操作(6)–saveAsHadoopFile、saveAsHadoopDataset

Spark算子：RDD行动Action操作(6)–saveAsHadoopFile、saveAsHadoopDataset

关键字：Spark算子、Spark函数、Spark RDD行动Action、Spark RDD存储操作、saveAsHadoopFile、saveAsHadoopDataset

saveAsHadoopFile

def saveAsHadoopFile(path: String, keyClass: Class[_], valueClass: Class[_], outputFormatClass: Class[_ <: OutputFormat[_, _]], codec: Class[_ <: CompressionCodec]): Unit

def saveAsHadoopFile(path: String, keyClass: Class[_], valueClass: Class[_], outputFormatClass: Class[_ <: OutputFormat[_, _]], conf: JobConf = …, codec: Option[Class[_ <: CompressionCodec]] = None): Unit

 

saveAsHadoopFile是将RDD存储在HDFS上的文件中，支持老版本Hadoop API。

可以指定outputKeyClass、outputValueClass以及压缩格式。

每个分区输出一个文件。

    var rdd1 = sc.makeRDD(Array(("A",2),("A",1),("B",6),("B",3),("B",7)))
     
    import org.apache.hadoop.mapred.TextOutputFormat
    import org.apache.hadoop.io.Text
    import org.apache.hadoop.io.IntWritable
     
  rdd1.saveAsHadoopFile("/tmp/lxw1234.com/",classOf[Text],classOf[IntWritable],classOf[TextOutputFormat[Text,IntWritable]])
     
  rdd1.saveAsHadoopFile("/tmp/lxw1234.com/",classOf[Text],classOf[IntWritable],classOf[TextOutputFormat[Text,IntWritable]],
                          classOf[com.hadoop.compression.lzo.LzopCodec])
     

saveAsHadoopDataset

def saveAsHadoopDataset(conf: JobConf): Unit

saveAsHadoopDataset用于将RDD保存到除了HDFS的其他存储中，比如HBase。

在JobConf中，通常需要关注或者设置五个参数：

文件的保存路径、key值的class类型、value值的class类型、RDD的输出格式(OutputFormat)、以及压缩相关的参数。

 

##使用saveAsHadoopDataset将RDD保存到HDFS中

    import org.apache.spark.SparkConf
    import org.apache.spark.SparkContext
    import SparkContext._
    import org.apache.hadoop.mapred.TextOutputFormat
    import org.apache.hadoop.io.Text
    import org.apache.hadoop.io.IntWritable
    import org.apache.hadoop.mapred.JobConf
     
     
     
    var rdd1 = sc.makeRDD(Array(("A",2),("A",1),("B",6),("B",3),("B",7)))
    var jobConf = new JobConf()
    jobConf.setOutputFormat(classOf[TextOutputFormat[Text,IntWritable]])
    jobConf.setOutputKeyClass(classOf[Text])
    jobConf.setOutputValueClass(classOf[IntWritable])
    jobConf.set("mapred.output.dir","/tmp/lxw1234/")
    rdd1.saveAsHadoopDataset(jobConf)
     
    结果：
    hadoop fs -cat /tmp/lxw1234/part-00000
    A       2
    A       1
    hadoop fs -cat /tmp/lxw1234/part-00001
    B       6
    B       3
    B       7
     

##保存数据到HBASE

HBase建表：

create ‘lxw1234′,{NAME => ‘f1′,VERSIONS => 1},{NAME => ‘f2′,VERSIONS => 1},{NAME => ‘f3′,VERSIONS => 1}

    import org.apache.spark.SparkConf
    import org.apache.spark.SparkContext
    import SparkContext._
    import org.apache.hadoop.mapred.TextOutputFormat
    import org.apache.hadoop.io.Text
    import org.apache.hadoop.io.IntWritable
    import org.apache.hadoop.mapred.JobConf
    import org.apache.hadoop.hbase.HBaseConfiguration
    import org.apache.hadoop.hbase.mapred.TableOutputFormat
    import org.apache.hadoop.hbase.client.Put
    import org.apache.hadoop.hbase.util.Bytes
    import org.apache.hadoop.hbase.io.ImmutableBytesWritable
     
    var conf = HBaseConfiguration.create()
        var jobConf = new JobConf(conf)
        jobConf.set("hbase.zookeeper.quorum","zkNode1,zkNode2,zkNode3")
        jobConf.set("zookeeper.znode.parent","/hbase")
        jobConf.set(TableOutputFormat.OUTPUT_TABLE,"lxw1234")
        jobConf.setOutputFormat(classOf[TableOutputFormat])
        
        var rdd1 = sc.makeRDD(Array(("A",2),("B",6),("C",7)))
        rdd1.map(x =>
          {
            var put = new Put(Bytes.toBytes(x._1))
            put.add(Bytes.toBytes("f1"), Bytes.toBytes("c1"), Bytes.toBytes(x._2))
            (new ImmutableBytesWritable,put)
          }
        ).saveAsHadoopDataset(jobConf)
     
    ##结果：
    hbase(main):005:0> scan 'lxw1234'
    ROW     COLUMN+CELL                                                                                                
     A       column=f1:c1, timestamp=1436504941187, value=\x00\x00\x00\x02                                              
     B       column=f1:c1, timestamp=1436504941187, value=\x00\x00\x00\x06                                              
     C       column=f1:c1, timestamp=1436504941187, value=\x00\x00\x00\x07                                              
    3 row(s) in 0.0550 seconds
     

注意：保存到HBase，运行时候需要在SPARK_CLASSPATH中加入HBase相关的jar包。