关于spark写入文件至文件系统并制定文件名之自定义outputFormat

佚名 7年前 (2019-04-14) 随笔 1921人围观抢沙发百度已收录

引言:

　　spark项目中通常我们需要将我们处理之后数据保存到文件中，比如将处理之后的RDD保存到hdfs上指定的目录中，亦或是保存在本地

spark保存文件：

　　1、rdd.saveAsTextFile("file:///E:/dataFile/result")

SRE实战互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

　　2、rdd.saveAsHadoopFile("file:///E:/dataFile/result",classOf[T],classOf[T],classOf[outputFormat.class])

　　3、df.write.format("csv").save("file:///E:/dataFile/result")

　　以上都简单的，最普遍的保存文件的方式，有时候是不能够满足我们的需求，上述的文件保存方式中，保存之后，文件名通常是part-00000的方式保存在result文件夹中，但是，我希望能够根据需求自己来定义这个文件名，并且指定的保存的文件夹必须事先不能存在，如果存在的话保存文件会报错。

　　此时就需要我们自定义文件保存名。

自定义保存文件名：

　　需要自定义保存的文件名的话，就需要我们重新对输出的文件的方式进行一个格式化，也就是说不能够使用系统默认的输出文件的方式，需要我们自定义输出格式，需要重写outputFormat类。

示例：

　需求：需要将数据库中的数据通过sparksql读取之后进行计算，然后进行计算，最终以指定的文件名写入到指定的目录下面：

　数据库内容：

　　保存之后的文件：

　　　　保存路径：本地“E:/dataFile/result”，该目录下，文件名为person.txt

　　保存之后文件名：

　　保存后文件内容：

代码实现：

　　需要自定一个一个类重写outputFormat类中的方法

　　这里我使用saveAsHadoopFile的方式进行保存文件，如果是使用saveAsTextFile的方式的话，因为只有能传入一个参数，

　　saveAsHadoopFile的形式保存文件，该方式是针对<k,v>对的RDD进行保存，保存的文件中内容是key和value，以空格分开，相同的key或保存在同一个文件中

上代码：

第一步：重写FileoutputFormat类

package cn.com.xxx.audit

import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.hadoop.mapred.{FileOutputFormat, JobConf}
import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

class CustomOutputFormat extends MultipleTextOutputFormat[Any, Any] {

　//重写generateFileNameForKeyValue方法，该方法是负责自定义生成文件的文件名
  override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String = {
　　//这里的key和value指的就是要写入文件的rdd对，再此，我定义文件名以key.txt来命名，当然也可以根据其他的需求来进行生成文件名
    val fileName = key.asInstanceOf[String] + ".txt"
    fileName
  }
　/**
   *因为saveAsHadoopFile是以key,value的形式保存文件，写入文件之后的内容也是，按照key value的形式写入，k,v之间用空格隔开，这里我只需要写入value的值，不需要将key的值写入到文件中个，所以我需要重写
   *该方法，让输入到文件中的key为空即可，当然也可以进行领过的变通，也可以重写generateActuralValue(key:Any,value:Any),根据自己的需求来实现
   */
  override def generateActualKey(key: Any, value: Any): String = {
    null
  }
　//对生成的value进行转换为字符串，当然源码中默认也是直接返回value值，如果对value没有特殊处理的话，不需要重写该方法
  override def generateAcutalValue(key: Any, value: Any): String = {
     return value.asInstance[String]
  }
　/**
   * 该方法使用来检查我们输出的文件目录是否存在，源码中，是这样判断的，如果写入的父目录已经存在的话，则抛出异常
   * 在这里我们冲写这个方法，修改文件目录的判断方式，如果传入的文件写入目录已存在的话，直接将其设置为输出目录即可，
   * 不会抛出异常
   */
  override def checkOutputSpecs(ignored: FileSystem, job: JobConf): Unit = {
    var outDir: Path = FileOutputFormat.getOutputPath(job)
    if (outDir != null) {
      val fs: FileSystem = ignored
      outDir = fs.makeQualified(outDir)
      FileOutputFormat.setOutputPath(job, outDir)
    }
  }
}

第二步：

package scala.spark._sql

import java.util.Properties

import mysqlUtils.OperatorMySql
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat
import org.apache.hadoop.mapred.{FileOutputFormat, JobConf}
import org.apache.spark.sql.{DataFrame, SQLContext}
import org.apache.spark.{SparkConf, SparkContext, TaskContext}
object DataFrameToMySql {	
	def main(args: Array[String]): Unit = {
		val conf = new SparkConf().setAppName(this.getClass.getName).setMaster("local[2]")
		val sc = new SparkContext(conf)
		val sqlContext = new SQLContext(sc)
		//配置输出文件不生成success文件
		sc.hadoopConfiguration.set("mapreduce.fileoutputcommitter.marksuccessfuljobs", "false")
		//配置一些参数
		//如果设置为true，sparkSql将会根据数据统计信息，自动为每一列选择单独的压缩编码方式
		sqlContext.setConf("spark.sql.inMemoryColumnarStorage.compressed", "true")
		//控制列式缓存批量的大小。增大批量大小可以提高内存的利用率和压缩率，但同时也会带来OOM的风险
		sqlContext.setConf("spark.sql.inMemoryColumnarStorage.batchSize", "1000")
		sqlContext.setConf("spark.sql.autoBroadcastJoinThreshold", "10485760")
		//设为true，则启用优化的Tungsten物理执行后端。Tungsten会显示的管理内存，并动态生成表达式求值得字节码
		sqlContext.setConf("spark.sql.tungsten.enabled", "true")
		//配置shuffle是的使用的分区数
		sqlContext.setConf("spark.sql.shuffle.partitions", "200")

		sc.setLogLevel("WARN")
		val pro = new Properties()
		pro.put("user", "root")
		pro.put("password", "123456")
		pro.put("driver", "com.mysql.jdbc.Driver")
		val url = "jdbc:mysql://localhost:3306/test?serverTimezone=UTC"
		val rdf = sqlContext.read /*.jdbc(url,"person1",pro)*/
		  .format("jdbc")
		  .options(Map(
			"url" -> url,
			"dbtable" -> "person",
			"driver" -> "com.mysql.jdbc.Driver",
			"user" -> "root",
			"password" -> "123456",
			"fetchSize" -> "10",
			"partitionColumn" -> "age",
			"lowerBound" -> "0",
			"upperBound" -> "1000",
			"numPartitions" -> "2"
		  )).load()
　　　　　　　　　//将读取的文件尽心个计算，并且以pairRDD的形式写入文件中，这里在写入文件的时候，会将key当做文件名来进行写入，也就是说相同的key对应的value都会写入到相同的文件中
		val x = rdf.groupBy(substring(col("score"), 0, 5) as ("score")).agg(max("age") as ("max"), avg("age") as ("avg"))
		  .rdd.map(x => ("person", x(0) + "," + x(1) + "," + x(2)))
　　　　　　　　　　 //这里partitionBy，只是来增加文件文件写入的并行度，可以根据需求进行设置，影响的是文件写入的性能，我个人是这么理解的，如果有不对的还请指正
		  .partitionBy(new HashPartitioner(10))
    　　　　　　　　//这里写入的时候，要指定我们自定义的PairRDDMultipleTextOutputFormat类
		  .saveAsHadoopFile("file:///E:/dataFile/res", classOf[String], classOf[String], classOf[PairRDDMultipleTextOutputFormat])
　　　　sc.stop()
}