Spark存储与读取文件方法小结

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

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

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

val rdd:RDD[(Long,Array[Double])]rdd.saveAsObjectFile(outpath)读取对象文件，需要指定类型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

val rdd: RDD[(Long, Array[Byte])]new SequenceFileRDDFunctions(rdd).saveAsSequenceFile(outpath)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：implicit def arrayBytetoBytesArray(bytes:Array[Byte]):BytesWritable = new BytesWritable(bytes)implicit  def long2LongWritable(ll:Long):LongWritable = new LongWritable(ll)读取序列化文件：val rdd = sc.sequenceFile(dir+"/svd",classOf[LongWritable],classOf[BytesWritable]).map{case(uid,sessions)=>  sessions.setCapacity(sessions.getLength)  (uid.get(),sessions.getBytes.clone())}

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。

val temp: RDD[(Long, Array[Byte])]val mapfile = temp.toArray().sortBy(e => e._1)var writer: MapFile.Writer = nullval conf = sc.hadoopConfigurationval fs = FileSystem.get(URI.create(dir+"/merge"),conf)val key = new LongWritable()val value = new BytesWritable()try{  writer = new Writer(conf,fs,dir+"/merge",classOf[LongWritable],classOf[BytesWritable])  //这里不知道设置多少比较合适,感觉都ok  writer.setIndexInterval(1024)  for(ele <-mapfile){    key.set(ele._1)    value.set(ele._2)    writer.append(key,value)  }}finally {  IOUtils.closeStream(writer)}快捷根据key 来检索valueval reader = new Reader(FileSystem.get(sc.hadoopConfiguration),  dir,sc.hadoopConfiguration)val key = new LongWritable(args(1).toLong)val value = new BytesWritable()reader.get(key,value)value.setCapacity(value.getLength)val bytes = value.getBytes

加油吧，写给自己。你只有十分努力，才能看起来毫不费力。