通过键Spark写入多个输出-一个Spark作业

Question

如何在单个Job中使用Spark写入取决于键的多个输出。

相关： 通过键扩展Hadoop（一个MapReduce作业）写入多个输出

例如

sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c")))
.writeAsMultiple(prefix, compressionCodecOption)

将确保cat prefix/1为

a
b

和cat prefix/2将是

c

编辑：我最近添加了一个新的答案，其中包括完整的导入，pimp和压缩编解码器，请参阅https://stackoverflow.com/a/46118044/1586965 ，除了较早的答案外，它可能还会有所帮助。

Answer 1

如果使用Spark 1.4+，这要归功于DataFrame API ，它变得非常容易。 （DataFrames是在Spark 1.3中引入的，而我们所需的partitionBy()是在1.4中引入的 。）

如果从RDD开始，则首先需要将其转换为DataFrame：

val people_rdd = sc.parallelize(Seq((1, "alice"), (1, "bob"), (2, "charlie")))
val people_df = people_rdd.toDF("number", "name")

在Python中，相同的代码是：

people_rdd = sc.parallelize([(1, "alice"), (1, "bob"), (2, "charlie")])
people_df = people_rdd.toDF(["number", "name"])

一旦有了DataFrame，就可以根据特定键写入多个输出，这很简单。 更重要的是-这就是DataFrame API的优点-Python，Scala，Java和R中的代码几乎相同：

people_df.write.partitionBy("number").text("people")

如果需要，您可以轻松使用其他输出格式：

people_df.write.partitionBy("number").json("people-json")
people_df.write.partitionBy("number").parquet("people-parquet")

在上述每个示例中，Spark将为我们对DataFrame进行分区的每个键创建一个子目录：

people/
  _SUCCESS
  number=1/
    part-abcd
    part-efgh
  number=2/
    part-abcd
    part-efgh

Answer 2

我会这样做，可扩展

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.asInstanceOf[String]
}

object Split {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("Split" + args(1))
    val sc = new SparkContext(conf)
    sc.textFile("input/path")
    .map(a => (k, v)) // Your own implementation
    .partitionBy(new HashPartitioner(num))
    .saveAsHadoopFile("output/path", classOf[String], classOf[String],
      classOf[RDDMultipleTextOutputFormat])
    spark.stop()
  }
}

刚刚在上面看到了类似的答案，但实际上我们不需要自定义分区。 MultipleTextOutputFormat将为每个键创建文件。 可以将具有相同键的多个记录放入同一分区。

新的HashPartitioner（num），其中num是所需的分区号。 如果您有大量不同的键，可以将数字设置为big。 在这种情况下，每个分区将不会打开太多的hdfs文件处理程序。

Answer 3

如果给定键可能有很多值，我认为可伸缩的解决方案是每个分区的每个键写一个文件。 不幸的是，Spark中没有对此的内置支持，但是我们可以提高一些。

sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c")))
  .mapPartitionsWithIndex { (p, it) =>
    val outputs = new MultiWriter(p.toString)
    for ((k, v) <- it) {
      outputs.write(k.toString, v)
    }
    outputs.close
    Nil.iterator
  }
  .foreach((x: Nothing) => ()) // To trigger the job.

// This one is Local, but you could write one for HDFS
class MultiWriter(suffix: String) {
  private val writers = collection.mutable.Map[String, java.io.PrintWriter]()
  def write(key: String, value: Any) = {
    if (!writers.contains(key)) {
      val f = new java.io.File("output/" + key + "/" + suffix)
      f.getParentFile.mkdirs
      writers(key) = new java.io.PrintWriter(f)
    }
    writers(key).println(value)
  }
  def close = writers.values.foreach(_.close)
}

（将PrintWriter替换为您选择的分布式文件系统操作。）

这样就可以在RDD上进行一次遍历，而不会进行随机播放。 它为每个键提供一个目录，每个目录中包含许多文件。

Answer 4

这包括请求的编解码器，必要的导入和请求的皮条客。

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SQLContext

// TODO Need a macro to generate for each Tuple length, or perhaps can use shapeless
implicit class PimpedRDD[T1, T2](rdd: RDD[(T1, T2)]) {
  def writeAsMultiple(prefix: String, codec: String,
                      keyName: String = "key")
                     (implicit sqlContext: SQLContext): Unit = {
    import sqlContext.implicits._

    rdd.toDF(keyName, "_2").write.partitionBy(keyName)
    .format("text").option("codec", codec).save(prefix)
  }
}

val myRdd = sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c")))
myRdd.writeAsMultiple("prefix", "org.apache.hadoop.io.compress.GzipCodec")

与OP的一个细微差别是它将<keyName>=作为目录名称的前缀。 例如

myRdd.writeAsMultiple("prefix", "org.apache.hadoop.io.compress.GzipCodec")

将给出：

prefix/key=1/part-00000
prefix/key=2/part-00000

其中prefix/my_number=1/part-00000将包含行a和b ，而prefix/my_number=2/part-00000将包含行c 。

和

myRdd.writeAsMultiple("prefix", "org.apache.hadoop.io.compress.GzipCodec", "foo")

将给出：

prefix/foo=1/part-00000
prefix/foo=2/part-00000

应该清楚如何编辑parquet 。

最后，下面是Dataset的示例，它也许比使用Tuples更好。

implicit class PimpedDataset[T](dataset: Dataset[T]) {
  def writeAsMultiple(prefix: String, codec: String, field: String): Unit = {
    dataset.write.partitionBy(field)
    .format("text").option("codec", codec).save(prefix)
  }
}

Answer 5

我有类似的需求，找到了一种方法。 但这有一个缺点（对我而言，这不是问题）：您需要使用每个输出文件一个分区对数据进行重新分区。

要以这种方式进行分区，通常需要事先知道作业将输出多少文件，并找到将每个键映射到每个分区的函数。

首先，让我们创建基于MultipleTextOutputFormat的类：

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

class KeyBasedOutput[T >: Null, V <: AnyRef] extends MultipleTextOutputFormat[T , V] {
  override def generateFileNameForKeyValue(key: T, value: V, leaf: String) = {
    key.toString
  }
  override protected def generateActualKey(key: T, value: V) = {
    null
  }
}

有了这个类，Spark将从一个分区（我想是第一个/最后一个）中获取一个密钥，并用该密钥命名文件，因此在同一分区上混合多个密钥是不好的。

对于您的示例，您将需要一个自定义分区程序。 这将完成工作：

import org.apache.spark.Partitioner

class IdentityIntPartitioner(maxKey: Int) extends Partitioner {
  def numPartitions = maxKey

  def getPartition(key: Any): Int = key match {
    case i: Int if i < maxKey => i
  }
}

现在，让我们将所有内容放在一起：

val rdd = sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c"), (7, "d"), (7, "e")))

// You need to know the max number of partitions (files) beforehand
// In this case we want one partition per key and we have 3 keys,
// with the biggest key being 7, so 10 will be large enough
val partitioner = new IdentityIntPartitioner(10)

val prefix = "hdfs://.../prefix"

val partitionedRDD = rdd.partitionBy(partitioner)

partitionedRDD.saveAsHadoopFile(prefix,
    classOf[Integer], classOf[String], classOf[KeyBasedOutput[Integer, String]])

这将在前缀（名称分别为1、2和7）下生成3个文件，一次处理所有文件。

如您所见，您需要有关密钥的一些知识才能使用此解决方案。

对我来说，这很容易，因为每个密钥哈希都需要一个输出文件，并且文件的数量在我的控制之下，所以我可以使用常规的HashPartitioner来完成此任务。

Answer 6

我在Java中也需要同样的东西。 将我对Zhang Zhan的Scala答案的翻译发布给Spark Java API用户：

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import scala.Tuple2;

import java.util.Arrays;


class RDDMultipleTextOutputFormat<A, B> extends MultipleTextOutputFormat<A, B> {

    @Override
    protected String generateFileNameForKeyValue(A key, B value, String name) {
        return key.toString();
    }
}

public class Main {

    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("Split Job")
                .setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        String[] strings = {"Abcd", "Azlksd", "whhd", "wasc", "aDxa"};
        sc.parallelize(Arrays.asList(strings))
                // The first character of the string is the key
                .mapToPair(s -> new Tuple2<>(s.substring(0,1).toLowerCase(), s))
                .saveAsHadoopFile("output/", String.class, String.class,
                        RDDMultipleTextOutputFormat.class);
        sc.stop();
    }
}

Answer 7

saveRDC数据是基于RDD数据实现的，特别是通过以下方法实现的： PairRDD.saveAsHadoopDataset ，该方法从PairRdd中获取执行数据。 我看到两个可能的选择：如果数据较小，则可以通过对RDD进行分组，从每个集合中创建一个新的RDD并使用该RDD写入数据来节省一些实现时间。 像这样：

val byKey = dataRDD.groupByKey().collect()
val rddByKey = byKey.map{case (k,v) => k->sc.makeRDD(v.toSeq)}
val rddByKey.foreach{ case (k,rdd) => rdd.saveAsText(prefix+k}

请注意，它不适用于大型数据集b / c， v.toSeq处的迭代器的v.toSeq可能不适合内存。

我看到的另一个选项（在这种情况下实际上是我推荐的）是：通过直接调用hadoop / hdfs api自己滚动。

这是我在研究此问题时开始的讨论： 如何从另一个RDD创建RDD？

Answer 8

我有一个类似的用例，其中我根据一个密钥（每个密钥1个文件）将Hadoop HDFS上的输入文件拆分为多个文件。 这是我的火花的scala代码

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

val hadoopconf = new Configuration();
val fs = FileSystem.get(hadoopconf);

@serializable object processGroup {
    def apply(groupName:String, records:Iterable[String]): Unit = {
        val outFileStream = fs.create(new Path("/output_dir/"+groupName))
        for( line <- records ) {
                outFileStream.writeUTF(line+"\n")
            }
        outFileStream.close()
    }
}
val infile = sc.textFile("input_file")
val dateGrouped = infile.groupBy( _.split(",")(0))
dateGrouped.foreach( (x) => processGroup(x._1, x._2))

我已经根据密钥对记录进行了分组。 每个密钥的值都写入单独的文件。

Answer 9

如果您有多列并且要保存所有其他未按csv格式分区的列，这对于python用户来说是个好消息，如果您使用Nick的建议使用“文本”方法，则这将失败。

people_df.write.partitionBy("number").text("people") 

错误消息是“ AnalysisException：u'Text数据源仅支持一列，而您有2列。

在spark 2.0.0中（我的测试环境是hdp的spark 2.0.0），软件包“ com.databricks.spark.csv”现在集成了，它允许我们保存仅一列分区的文本文件，请参见示例打击：

people_rdd = sc.parallelize([(1,"2016-12-26", "alice"),
                             (1,"2016-12-25", "alice"),
                             (1,"2016-12-25", "tom"), 
                             (1, "2016-12-25","bob"), 
                             (2,"2016-12-26" ,"charlie")])
df = people_rdd.toDF(["number", "date","name"])

df.coalesce(1).write.partitionBy("number").mode("overwrite").format('com.databricks.spark.csv').options(header='false').save("people")

[root@namenode people]# tree
.
├── number=1
│?? └── part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
├── number=2
│?? └── part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
└── _SUCCESS

[root@namenode people]# cat number\=1/part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
2016-12-26,alice
2016-12-25,alice
2016-12-25,tom
2016-12-25,bob
[root@namenode people]# cat number\=2/part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
2016-12-26,charlie

在我的Spark 1.6.1环境中，代码没有引发任何错误，但是仅生成了一个文件。 它没有被两个文件夹分区。

希望这会有所帮助。

Answer 10

我有一个类似的用例。 我通过编写两个实现MultipleTextOutputFormat和RecordWriter自定义类在Java中解决了该RecordWriter 。

我的输入是JavaPairRDD<String, List<String>> ，我想将其存储在以其键命名的文件中，其值中包含所有行。

这是我的MultipleTextOutputFormat实现的代码

class RDDMultipleTextOutputFormat<K, V> extends MultipleTextOutputFormat<K, V> {

    @Override
    protected String generateFileNameForKeyValue(K key, V value, String name) {
        return key.toString(); //The return will be used as file name
    }

    /** The following 4 functions are only for visibility purposes                 
    (they are used in the class MyRecordWriter) **/
    protected String generateLeafFileName(String name) {
        return super.generateLeafFileName(name);
    }

    protected V generateActualValue(K key, V value) {
        return super.generateActualValue(key, value);
    }

    protected String getInputFileBasedOutputFileName(JobConf job,     String name) {
        return super.getInputFileBasedOutputFileName(job, name);
        }

    protected RecordWriter<K, V> getBaseRecordWriter(FileSystem fs, JobConf job, String name, Progressable arg3) throws IOException {
        return super.getBaseRecordWriter(fs, job, name, arg3);
    }

    /** Use my custom RecordWriter **/
    @Override
    RecordWriter<K, V> getRecordWriter(final FileSystem fs, final JobConf job, String name, final Progressable arg3) throws IOException {
    final String myName = this.generateLeafFileName(name);
        return new MyRecordWriter<K, V>(this, fs, job, arg3, myName);
    }
} 

这是我的RecordWriter实现的代码。

class MyRecordWriter<K, V> implements RecordWriter<K, V> {

    private RDDMultipleTextOutputFormat<K, V> rddMultipleTextOutputFormat;
    private final FileSystem fs;
    private final JobConf job;
    private final Progressable arg3;
    private String myName;

    TreeMap<String, RecordWriter<K, V>> recordWriters = new TreeMap();

    MyRecordWriter(RDDMultipleTextOutputFormat<K, V> rddMultipleTextOutputFormat, FileSystem fs, JobConf job, Progressable arg3, String myName) {
        this.rddMultipleTextOutputFormat = rddMultipleTextOutputFormat;
        this.fs = fs;
        this.job = job;
        this.arg3 = arg3;
        this.myName = myName;
    }

    @Override
    void write(K key, V value) throws IOException {
        String keyBasedPath = rddMultipleTextOutputFormat.generateFileNameForKeyValue(key, value, myName);
        String finalPath = rddMultipleTextOutputFormat.getInputFileBasedOutputFileName(job, keyBasedPath);
        Object actualValue = rddMultipleTextOutputFormat.generateActualValue(key, value);
        RecordWriter rw = this.recordWriters.get(finalPath);
        if(rw == null) {
            rw = rddMultipleTextOutputFormat.getBaseRecordWriter(fs, job, finalPath, arg3);
            this.recordWriters.put(finalPath, rw);
        }
        List<String> lines = (List<String>) actualValue;
        for (String line : lines) {
            rw.write(null, line);
        }
    }

    @Override
    void close(Reporter reporter) throws IOException {
        Iterator keys = this.recordWriters.keySet().iterator();

        while(keys.hasNext()) {
            RecordWriter rw = (RecordWriter)this.recordWriters.get(keys.next());
            rw.close(reporter);
        }

        this.recordWriters.clear();
    }
}

大多数代码与FileOutputFormat中的代码完全相同。 唯一的区别是那几行

List<String> lines = (List<String>) actualValue;
for (String line : lines) {
    rw.write(null, line);
}

这些行允许我将输入List<String>每一行写在文件上。 为了避免将密钥写在每一行上， write函数的第一个参数设置为null 。

最后，我只需要执行此调用即可写入文件

javaPairRDD.saveAsHadoopFile(path, String.class, List.class, RDDMultipleTextOutputFormat.class);