使用mapPartition和迭代器保存spark RDD

Question

我有一些中间数据，我需要存储在HDFS和本地。 我正在使用Spark 1.6。 在HDFS中作为中间形式我在/output/testDummy/part-00000和/output/testDummy/part-00001获取数据。 我想使用Java / Scala将这些分区保存在本地，以便我可以将它们保存为/users/home/indexes/index.nt （通过在本地合并）或/users/home/indexes/index-0000.nt和/home/indexes/index-0001.nt分开。

这是我的代码：注意：testDummy与test相同，输出有两个分区。 我想单独存储它们或组合它们但是本地与index.nt文件。 我更喜欢分别存储在两个数据节点中。 我正在使用集群并在YARN上提交spark工作。 我还添加了一些评论，多少次以及我得到的数据。 我该怎么办？ 任何帮助表示赞赏。

 val testDummy = outputFlatMapTuples.coalesce(Constants.INITIAL_PARTITIONS).saveAsTextFile(outputFilePathForHDFS+"/testDummy")
 println("testDummy done")   //1 time print

def savesData(iterator: Iterator[(String)]): Iterator[(String)] = {
    println("Inside savesData")                                 //  now 4 times when coalesce(Constants.INITIAL_PARTITIONS)=2
    println("iter size"+iterator.size)                           //  2 735 2 735 values
    val filenamesWithExtension = outputPath + "/index.nt"
    println("filenamesWithExtension "+filenamesWithExtension.length)   //4 times
    var list = List[(String)]()

    val fileWritter = new FileWriter(filenamesWithExtension,true)
    val bufferWritter = new BufferedWriter(fileWritter)

     while (iterator.hasNext){                       //iterator.hasNext is false
       println("inside iterator")                    //0 times 
       val dat = iterator.next()
       println("datadata "+iterator.next())

       bufferWritter.write(dat + "\n")
       bufferWritter.flush()
       println("index files written")

       val dataElements = dat.split(" ")
       println("dataElements")                                    //0
       list = list.::(dataElements(0))
       list = list.::(dataElements(1))
       list = list.::(dataElements(2))
     }
    bufferWritter.close() //closing
    println("savesData method end")                         //4 times when coal=2
    list.iterator
}

println("before saving data into local")                              //1
val test = outputFlatMapTuples.coalesce(Constants.INITIAL_PARTITIONS).mapPartitions(savesData)
println("testRDD partitions "+test.getNumPartitions)                               //2
println("testRDD size "+test.collect().length)                                //0
println("after saving data into local")   //1

PS：我跟着， 这个和这个但不完全相同我正在寻找，我做了某种但没有得到任何index.nt

Answer 1

有几件事：

• 如果您打算稍后使用数据，请不要调用Iterator.size 。 Iterators是TraversableOnce 。 计算Iterator大小的唯一方法是遍历其所有元素，之后不再需要读取数据。
• 不要将mapPartitions等mapPartitions用于副作用。 如果要执行某些类型的IO使用操作，如foreach / foreachPartition 。 这是一种不好的做法，并不保证给定的代码片段只执行一次。
• 动作或转换中的本地路径是特定工作者的本地路径。 如果要直接在客户端计算机上编写，则应首先使用collect或toLocalIterator获取数据。 尽管写入分布式存储并稍后获取数据可能会更好。

Answer 2

Java 7提供了查看目录的方法。

https://docs.oracle.com/javase/tutorial/essential/io/notification.html

我们的想法是创建一个监视服务，将其注册到感兴趣的目录（提及您感兴趣的事件，如文件创建，删除等），观察，您将收到任何事件的通知，如创建，删除，等等，你可以采取你想要的任何行动。

只要适用，您将不得不严重依赖Java hdfs api。

在后台运行程序，因为它永远等待事件。 （你可以根据自己的意愿编写逻辑以退出）

另一方面，shell脚本也会有所帮助。

在读取文件时要注意hdfs文件系统的一致性模型。

希望这有助于一些想法。