Spark存储与读取文件方法小结

http://blog.csdn.net/buring_/article/details/42424477   mark

一：Spark中常常面临这RDD的存储问题，记录一下常常面临的几种情况。saveAsObjectFile, SequenceFile, mapFile, textFile我就不说了。

首先：在写文件的时候，经常输出的目录以及存在，需要一个删掉目录以及存在的情况。大致功能如下

[java] view plain copy

1. def checkDirExist(sc:SparkContext,outpath:String) = {  
2.   logInfo("check output dir is exists")  
3.   val hdfs = FileSystem.get(new URI("hdfs://hdfs_host:port"),sc.hadoopConfiguration)  
4.   try{  
5.     hdfs.delete(new Path(outpath),true) //这里已经new 目录了，删除再说，总之是删了  
6.     logInfo("输出目录存在，删除掉:%s".format(outpath))  
7.   } catch {  
8.     case _:Throwable => logWarning("输出目录不存在，不用删除") //永远不会来吧  
9.   }  
10. }  

1）存取对象，saveAsObjectFile ,十分方便，类似于python的cPickle.主要用法如下：
比如有一个

[java] view plain copy

1. val rdd:RDD[(Long,Array[Double])]  
2. rdd.saveAsObjectFile(outpath)  
3.   
4. 读取对象文件，需要指定类型  
5. val input:RDD[(Long,Array[Double])] = sc.objectFile[(Long,Array[Double])](outpath)  

2)有时候需要节约空间，这样就需要存储序列化文件。如

[java] view plain copy

1. val rdd: RDD[(Long, Array[Byte])]  
2. new SequenceFileRDDFunctions(rdd).saveAsSequenceFile(outpath)  
3. 这里需要注意序列化时候，Long，Array都需要一个隐式转换函数，如下：  
4. implicit def arrayBytetoBytesArray(bytes:Array[Byte]):BytesWritable = new BytesWritable(bytes)  
5. implicit  def long2LongWritable(ll:Long):LongWritable = new LongWritable(ll)  
6.   
7. 读取序列化文件：  
8. val rdd = sc.sequenceFile(dir+"/svd",classOf[LongWritable],classOf[BytesWritable]).map{case(uid,sessions)=>  
9.   sessions.setCapacity(sessions.getLength)  
10.   (uid.get(),sessions.getBytes.clone())  
11. }  

这里需要注意的是，读取序列化文件，默认复用了同样的Writable object for each record, 也就导致了返回的RDD将会创建许多引用到同一个对象，我被这个坑了好久。因此这里需要将Array[Byte] 拷贝出来，不然所以的数据都是一样的，Long不是引用对象不需要。

3）有时候需要存储mapFile,用来根据key 快速索引。实践发现，索引的确很快，而且节约存储空间。
存储mapFile文件，需要注意是现要排序以后才能输出，为了快速索引，排序也是可以理解的嘛。

[java] view plain copy

1. val temp: RDD[(Long, Array[Byte])]  
2. val mapfile = temp.toArray().sortBy(e => e._1)  
3. var writer: MapFile.Writer = null  
4. val conf = sc.hadoopConfiguration  
5. val fs = FileSystem.get(URI.create(dir+"/merge"),conf)  
6. val key = new LongWritable()  
7. val value = new BytesWritable()  
8. try{  
9.   writer = new Writer(conf,fs,dir+"/merge",classOf[LongWritable],classOf[BytesWritable])  
10.   //这里不知道设置多少比较合适,感觉都ok  
11.   writer.setIndexInterval(1024)  
12.   for(ele <-mapfile){  
13.     key.set(ele._1)  
14.     value.set(ele._2)  
15.     writer.append(key,value)  
16.   }  
17. }finally {  
18.   IOUtils.closeStream(writer)  
19. }  
20.   
21. 快捷根据key 来检索value  
22. val reader = new Reader(FileSystem.get(sc.hadoopConfiguration),  
23.   dir,sc.hadoopConfiguration)  
24.   
25. val key = new LongWritable(args(1).toLong)  
26. val value = new BytesWritable()  
27.   
28. reader.get(key,value)  
29. value.setCapacity(value.getLength)  
30. val bytes = value.getBytes