我有一个火花流媒体环境与火花1.2.0,我从本地文件夹中检索数据,每次我发现一个新文件添加到文件夹,我执行一些转换 .
val ssc = new StreamingContext(sc, Seconds(10))
val data = ssc.textFileStream(directory)
为了对DStream数据执行分析,我必须将其转换为数组
var arr = new ArrayBuffer[String]();
data.foreachRDD {
arr ++= _.collect()
}
然后我使用获得的数据来提取我想要的信息并将它们保存在HDFS上 .
val myRDD = sc.parallelize(arr)
myRDD.saveAsTextFile("hdfs directory....")
由于我真的需要使用数组操作数据,因此不可能使用 DStream.saveAsTextFiles("...")
(这可以正常工作)在HDFS上保存数据而且我必须保存RDD但是通过这种预处理,我终于有了名为part-00000等的空输出文件...
使用 arr.foreach(println)
,我能够看到转换的正确结果 .
我的怀疑是,spark会尝试在每个批处理中将数据写入相同的文件,删除以前写的内容 . 我试图保存在动态命名文件夹中,如 myRDD.saveAsTextFile("folder" + System.currentTimeMillis().toString())
,但始终只创建一个folds,输出文件仍为空 .
如何在Spark-streaming上下文中将RDD写入HDFS?
2 回答
您正在以未设计的方式使用Spark Streaming . 我建议您使用Spark作为用例,或者调整代码以使其适用于Spark方式 . 将阵列收集到驱动程序会破坏使用分布式引擎的目的,并使您的应用程序有效地实现单机(两台机器也会比仅在一台机器上处理数据产生更多的开销) .
你可以用数组做的一切,你可以用Spark做 . 因此,只需在流中运行计算,分布在worker上,然后使用
DStream.saveAsTextFiles()
编写输出 . 您可以使用foreachRDD
saveAsParquet(path, overwrite = true)
写入单个文件 .@vzamboni:Spark 1.5 dataframes api具有以下功能: