假设我们有这样的(key,value)数据:
sc.parallelize(List((20180701, "aaa"), (20180702, "bbb"), (20180701, "ccc")))
我们想把它们存到路径“output/”下面,而且key值相同的保存在同一文件下,不同的key值保存在不同的文件下,效果如下
命令:cat output/20180701/part-0000
文件内容显示:
"aaa"
"ccc"
命令:cat output/20180702/part-0000
文件内容显示:
"bbb"
这篇文章跟其他文章不一样的地方是,输出的文件内容不带Key值!!!这种在大多数场景都是需要的,带key值输出到文件内容当中大多数并不需要。
实现完整代码如下:
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 generateActualKey(key: Any, value: Any): Any =
NullWritable.get()
override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String =
key.toString+"/"+name
}
object Split {
def main(args: Array[String]) {
val conf = new SparkConf().setAppName("Test").setMaster("local[*]")
val sc = new SparkContext(conf)
sc.parallelize(List((20180701, "aaa"), (20180702, "bbb"), (20180701, "ccc")))
.saveAsHadoopFile("output", classOf[String], classOf[String],
classOf[RDDMultipleTextOutputFormat])
sc.stop()
}
}
代码解析:
1、我们保存文件要通过hadoop 的 saveAsHadoopFile来实现,而不是通过Spark的saveAsTextFile,因为后者不能实现多文件输出。而且,其实我们去看Spark源码就知道,Spark的saveAsTextFile其实也是通过hadoop 的 saveAsHadoopFile来实现的。
2、 saveAsHadoopFile有四个参数,这里我们只要关注第1个和第4个参数即可。第1个参数是输出根路径,第4个参数是输出多文件的格式设置包括文件名等。
3、第4个参数我们采用RDDMultipleTextOutputFormat类,在该类中我们重写了generateFileNameForKeyValue函数(设置输出文件名根据key和value值)以及generateActualKey函数(设置在文件内容中是否输出key值)。
4、generateFileNameForKeyValue函数有3个参数,key和value就是我们RDD的Key和Value,而name参数是每个Reduce的编号即输出文件名。
5、generateActualKey函数中的 NullWritable.get(),NullWritable是Writable的一个特殊类,实现方法为空实现,不从数据流中读数据,也不写入数据,只充当占位符。
例如要设置map的输出为<key,空>:
public class IPCountMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)
throws IOException, InterruptedException {
String parseIP = LogParseUtil.parseIP(value.toString());
context.write(new Text(parseIP), NullWritable.get());
}