Spark多文件输出(MultipleOutputFormat)

　在本博客的《Hadoop多文件输出：MultipleOutputFormat和MultipleOutputs深究(一)》《Hadoop多文件输出：MultipleOutputFormat和MultipleOutputs深究(二)》两篇文章中我介绍了如何在Hadoop中根据Key或者Value的不同将属于不同的类型记录写到不同的文件中。在里面用到了MultipleOutputFormat这个类。
　　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：

/**   * User: 过往记忆   * Date: 15-03-11   * Time: 上午08:24   * bolg: https://www.iteblog.com   * 本文地址：https://www.iteblog.com/archives/1281   * 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货   * 过往记忆博客微信公共帐号：iteblog_hadoop   */ import org.apache.hadoop.io.NullWritable   import org.apache.spark. _ import org.apache.spark.SparkContext. _     import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat   class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {    override def generateFileNameForKeyValue(key : Any, value : Any, name : String) : String =      key.asInstanceOf[String] }   object Split {    def main(args : Array[String]) {      val conf = new SparkConf().setAppName( "SplitTest" )      val sc = new SparkContext(conf)      sc.parallelize(List(( "w" , "www" ), ( "b" , "blog" ), ( "c" , "com" ), ( "w" , "bt" )))        .map(value = > (value. _ 1 , value. _ 2 + "Test" ))        .partitionBy( new HashPartitioner( 3 ))        .saveAsHadoopFile( "/iteblog" , classOf[String], classOf[String],          classOf[RDDMultipleTextOutputFormat])      sc.stop()    } }

　　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：

bin/spark-submit --master yarn-cluster -- 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：

[iteblog@master ]$ bin /hadoop fs - ls /iteblog Found 4 items -rw-r--r--   3 iteblog hadoop2          0 2015-03-09 11:26 /iteblog/_SUCCESS -rw-r--r--   3 iteblog hadoop2         11 2015-03-09 11:26 /iteblog/b -rw-r--r--   3 iteblog hadoop2         10 2015-03-09 11:26 /iteblog/c -rw-r--r--   3 iteblog hadoop2         19 2015-03-09 11:26 /iteblog/w   [iteblog@master ]$ bin /hadoop fs - cat /iteblog/w w   btTest 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。

转载地址：https://www.iteblog.com/archives/1281.html