Spark FileStreaming無法與foreachRDD一起使用

Question

我是Spark的新手，並且正在構建一個Small示例應用程序，它是一個Spark fileStreaming應用程序。 我想要的只是一次讀取整個文件，而不是逐行讀取（我想這就是textFileStream所做的事情）。

代碼如下：

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.StreamingContext._

import org.apache.hadoop.io.LongWritable
import org.apache.hadoop.io.Text
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat

import scalax.io._

object SampleXML{

    def main(args: Array[String]){

        val logFile = "/home/akhld/mobi/spark-streaming/logs/sample.xml"

        val ssc = new StreamingContext("spark://localhost:7077","XML Streaming Job",Seconds(5),"/home/akhld/mobi/spark-streaming/spark-0.8.0-incubating",List("target/scala-2.9.3/simple-project_2.9.3-1.0.jar"))

        val lines = ssc.fileStream[LongWritable, Text, TextInputFormat]("/home/akhld/mobi/spark-streaming/logs/")

        lines.print()

        lines.foreachRDD(rdd => {
          rdd.count()  // prints counts

        })


        ssc.start()


    }
}

此代碼失敗，並顯示以下異常：

[error] /home/akhld/mobi/spark-streaming/samples/samplexml/src/main/scala/SampleXML.scala:31: value foreachRDD is not a member of org.apache.spark.streaming.DStream[(org.apache.hadoop.io.LongWritable, org.apache.hadoop.io.Text)]
[error]         ssc.fileStream[LongWritable, Text, TextInputFormat]("/home/akhld/mobi/spark-streaming/logs/").foreachRDD(rdd => {
[error]                                                                                                       ^
[error] one error found
[error] (compile:compile) Compilation failed
[error] Total time: 3 s, completed Feb 3, 2014 7:32:57 PM

如果這不是顯示流中文件內容的正確方法，請幫我舉個例子。 我搜索了很多，但找不到合適的文件來使用fileStream。

Answer 1

好吧，Spark Streaming中的textFileStream旨在繼續讀取和處理正在目錄中寫入的文件。 因此，如果您必須一次處理一個文件，則直接使用Spark會更簡單！

 val lines = sparkContext.textFile(<file URL>)
 lines.foreach(line => println(line))

這將打印文件中的所有行。

Answer 2

另外，我相信這里的問題是您不能在forEach流中的RDD上調用count（）。 原因是，如果您這樣做，我認為它會阻止forEach塊的進度-並且流使用者停止工作。

我為此https://issues.apache.org/jira/browse/SPARK-4040創建了一個JIRA。

我認為當在forEach塊中引用RDD時，可以對RDD進行一些敏感的API調用，但是尚未弄清楚所有細節。