Spark RDD编程 文件数据读写

一、本地文件系统的数据读写

1，从文件中读取数据创建RDD

从本地文件系统读取数据，可以采用textFile()方法，可以为textFile()方法提供一个本地文件或目录地址，如果是一个文件地址，它会加载该文件，如果是一个目录地址，它会加载该目录下的所有文件的数据。

示例：读取一个本地文件word.txt

scala> val  textFile = sc.textFile("file:///usr/local/spark/mycode/wordcount/word.txt")

val textFile中的textFile是变量名称，sc.textFile()中的textFile是方法名称，二者同时使用时要注意区分，它们所代表的含义是不同的。执行上面这条命令以后，并不会马上显示结果

Spark采用惰性机制。可以查看textFile中的内容：

scala> textFile.first()

正因为Spark采用了惰性机制，在执行转换操作的时候，即使输入了错误的语句，spark-shell也不会马上报错，而是等到执行“行动”类型的语句时启动真正的计算，那个时候“转换”操作语句中的错误就会显示出来。
示例：
使用一个根本就不存在的word123.txt，执行上面语句时，spark-shell根本不会报错，因为，没有遇到“行动”类型的操作first()之前，这个加载操作是不会真正执行的。

scala> val  textFile = sc.
      |  textFile("file:///usr/local/spark/mycode/wordcount/word123.txt")

2，把RDD写入到文本文件中

可以使用saveAsTextFile()方法把RDD中的数据保存到文本文件中。需要注意的是，saveAsTextFile()中提供的参数，不是文件名称，而是一个目录名称，因为，Spark通常是在分布式环境下执行，RDD会存在多个分区，由多个任务对这些分区进行并行计算，每个分区的计算结果都会保存到一个单独的文件中。例如，如果RDD有3个分区，saveAsTextFile()方法就会产生part-00001、part-00002和part-00003，以及一个_SUCCESS文件，其中，part-00001、part-00002和part-00003包含了RDD中的数据，_SUCCESS文件只是用来表示写入操作已经成功执行，该文件里面是空的，可以忽略该文件。因此，在Spark编程中，需要改变传统单机环境下编程的思维习惯，在单机编程中，我们已经习惯把数据保存到一个文件中，而作为分布式编程框架，因为RDD被分成多个分区，由多个任务并行执行计算，Spark通常都会产生多个文件，我们需要为这些文件提供一个保存目录，因此，需要为saveAsTextFile()方法提供一个目录地址，而不是一个文件地址。saveAsTextFile()要求提供一个事先不存在的保存目录，如果事先已经存在该目录，Spark就会报错。所以，如果是在独立应用程序中执行，最好在程序执行saveAsTextFile()之前先判断一下目录是否存在。

把textFile变量中的内容再次写回到另外一个目录wordback中，命令如下：

scala> val  textFile = sc.
      |  textFile("file:///usr/local/spark/mycode/wordcount/word.txt") 
scala> textFile.       
	  |  saveAsTextFile("file:///usr/local/spark/mycode/wordcount/writeback")

打开一个新的Linux终端，进入到“/usr/local/spark/mycode/wordcount/”目录，可以看到这个目录下面多了一个名称为“writeback”的子目录。进入writeback子目录以后，可以看到该目录中生成了两个文件part-00000和_SUCCESS（可以忽略），part-00000文件就包含了刚才写入的数据。之所以writeback目录下只包含一个文件part-00000，而不是多个part文件。

在启动进入Spark Shell环境：

$ cd /usr/local/spark
$ ./bin/spark-shell

spark-shell命令后面没有带上任何参数，则系统默认采用local模式启动spark-shell，即只使用一个Worker线程本地化运行Spark（完全不并行）。而且，在读取文件时，sc.textFile(“file:///usr/local/spark/mycode/wordcount/word.txt”)语句的圆括号中的参数只有文件地址，并没有包含分区数量，因此，生成的textFile这个RDD就只有一个分区，这样导致saveAsTextFile()最终生成的文件就只有一个part-00000。

在读取文件时进行分区：

scala> val  textFile = sc.
      |  textFile("file:///usr/local/spark/mycode/wordcount/word.txt",2) 
scala> textFile.       
      |  saveAsTextFile("file:///usr/local/spark/mycode/wordcount/writeback")

可以在writeback子目录下看到两个part文件，即part-00000和part-00001。

二、分布式文件系统HDFS的数据读写

从分布式文件系统HDFS中读取数据，也是采用textFile()方法，可以为textFile()方法提供一个HDFS文件或目录地址，如果是一个文件地址，它会加载该文件，如果是一个目录地址，它会加载该目录下的所有文件的数据。

读取一个HDFS文件：

scala> val textFile = sc.textFile("hdfs://localhost:9000/user/hadoop/word.txt")
scala> textFile.first()

为textFile()方法提供的文件地址格式可以有多种，如下3条语句都是等价的：

scala> val textFile = sc.textFile("hdfs://localhost:9000/user/hadoop/word.txt")
scala> val textFile = sc.textFile("/user/hadoop/word.txt")
scala> val textFile = sc.textFile("word.txt")

可以使用saveAsTextFile()方法把RDD中的数据保存到HDFS文件中：

scala> val textFile = sc.textFile("word.txt")
scala> textFile.saveAsTextFile("writeback")

三、JSON文件的读取

JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，它基于ECMAScript规范的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得JSON成为理想的数据交换语言，不仅易于阅读和编写，同时也易于机器解析和生成，并能够有效提升网络传输效率。Spark提供了一个JSON样例数据文件，存放在“/usr/local/spark/examples/src/main/resources/people.json”中（注意，“/usr/local/spark/”是Spark的安装目录）。

people.json文件内容如下：

{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}

Scala中有一个自带的JSON库——scala.util.parsing.json.JSON，可以实现对JSON数据的解析，JSON.parseFull(jsonString:String)函数以一个JSON字符串作为输入并进行解析，如果解析成功，则返回一个Some(map: Map[String,Any])，如果解析失败，则返回None。
新建一个JSONRead.scala代码文件，输入以下内容：

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext
._ import org.apache.spark.SparkConf import scala.util.parsing.json.JSON 
object JSONRead {     
	def main(args: Array[String]) { 
        val  inputFile  =  "file:///usr/local/spark/examples/src/main/resources/people. json"         
        val conf = new SparkConf().setAppName("JSONRead")         
        val sc = new SparkContext(conf)         
        val jsonStrs = sc.textFile(inputFile)         
        val result = jsonStrs.map(s => JSON.parseFull(s))         
        result.foreach( {
        	r => r match {                         
        		case Some(map: Map[String, Any]) => println(map)                         
        		case None =>println("Parsing failed")                         
        		case other => println("Unknown data structure: " + other)                 
        		}         
        	}         
        	)     
        } 
}

val jsonStrs = sc.textFile(inputFile)语句执行后，会生成一个名称为jsonStrs的RDD，这个RDD中的每个元素都是来自people.json文件中的一行，即一个JSON字符串。valresult =jsonStrs.map(s => JSON.parseFull(s))语句会对jsonStrs中的每个元素（即每个JSON字符串）进行解析，解析后的结果，存放到一个新的RDD（即result）中。如果解析成功，则返回一个Some(map: Map[String,Any])，如果解析失败，则返回None。所以，result中的元素，或者是一个Some(map: Map[String, Any])，或者是一个None。result.foreach()语句执行时，会依次扫描result中的每个元素，并对当前取出的元素进行模式匹配，如果是一个Some(map: Map[String, Any])，就打印出来，如果是一个None，就打印出“Parsing failed”。

使用sbt工具把JSONRead.scala代码文件编译打包成JAR包，通过spark-submit运行程序，屏幕上会输出如下信息：

Map(name -> Michael)
Map(name -> Andy, age -> 30.0)
Map(name -> Justin, age -> 19.0)

文章来源：《Spark编程基础》 作者：林子雨

文章内容仅供学习交流，如有侵犯，联系删除哦！