如何使用Spark的local模式远程读取Hadoop集群数据

我们在windows开发机上使用spark的local模式读取远程hadoop集群中的hdfs上的数据，这样的目的是方便快速调试，而不用每写一行代码或者一个方法，一个类文件都需要打包成jar上传到linux上，再扔到正式的集群上进行测试，像功能性验证直接使用local模式来快速调测是非常方便的，当然功能测试之后，我们还需要打包成jar仍到集群上进行其他的验证比如jar包的依赖问题，这个在local模式是没法测的，还有集群运行的调优参数，这些都可以在正式仍到集群时验证。

一个样例代码如下：

def main(args: Array[String]): Unit = {    //指定local模式    val conf = new SparkConf().setMaster("local[2]").setAppName("read kp data to kafka")    val sc= new SparkContext(conf)    //支持通配符路径，支持压缩文件读取    val rrd=sc.textFile("hdfs://192.168.10.4:8020/data/log/{20170227,20170228}/tomcat-log*")    //提到到集群模式时，去掉uri地址，如果有双namenode，可以自动容灾     //val rrd=sc.textFile("/data/log/{20170227,20170228}/tomcat-log*")    //统计数量    println(rrd.count())    //停止spark    sc.stop()  }

如何在spark中遍历数据时获取文件路径：

val path:String="hdfs://192.168.10.4:8020/data/userlog/{20170226}/kp*"        val text= sc.newAPIHadoopFile[LongWritable,Text,TextInputFormat](path)    val linesWithFileNames = text.asInstanceOf[NewHadoopRDD[LongWritable, Text]]      .mapPartitionsWithInputSplit((inputSplit, iterator) => {        val file = inputSplit.asInstanceOf[FileSplit]        iterator.map(tup => (file.getPath, tup._2)) // 返回的K=全路径 V=每一行的值      }      )    linesWithFileNames.foreach(println)

如果遍历压缩文件时想要获取文件名，就使用newAPIHadoopFile，此外在本地调试下通过之后，提交到集群运行的时候，一定要把uri去掉，本地加上是想让它远程读取方便调试使用，如果正式运行去掉uri在双namenode的时候可以自动兼容，不去反而成一个隐患了。

最后我们可以通过spark on yarn模式提交任务，一个例子如下：

jars=`echo /home/search/x_spark_job/libs/*jar | sed 's/ /,/g'`bin/spark-submit  --class  KSearch   --master yarn  --jars  $jars    /home/search/x_spark_job/kp-1.0.0.jar

这里用spark提交有另外一个优势，就是假如我开发的不是YARN应用，就是代码里没有使用SparkContext，而是一个普通的应用，就是读取mysql一个表的数据，写入另外一个mysql，这里跟MR没有关系，但是我依然可以用spark-sumbit提交，这时候是不会提交到YARN上的，但是程序会按普通程序运行，程序依赖的jar包，直接使用--jars传入就行，这一点非常方便，尤其是应用有多个依赖时，比如依赖es，hadoop，hbase，redis，fastjson，我打完包后的程序是瘦身的只有主体jar非常小，依赖的jar我可以不打到主体jar里面，在外部用的时候传入，方便共用并灵活性大大提高。

最后，spark的wholeTextFiles对gz压缩的支持不太友好，不能直接访问，相关问题，请参考：

http://stackoverflow.com/questions/24402737/how-to-read-gz-files-in-spark-using-wholetextfiles

http://stackoverflow.com/questions/36604145/read-whole-text-files-from-a-compression-in-spark

http://stackoverflow.com/questions/24402737/how-to-read-gz-files-in-spark-using-wholetextfiles?rq=1

有什么问题可以扫码关注微信公众号：我是攻城师(woshigcs)，在后台留言咨询。 技术债不能欠，健康债更不能欠， 求道之路，与君同行。