Запишите в несколько выводов ключевым Spark - одно задание Spark

При использовании Spark 1.4 + это стало многим, намного легче благодаря DataFrame API. (DataFrames были представлены в Spark 1.3, но partitionBy(), то, в котором мы нуждаемся, было представлено в 1,4 .)

, Если Вы начинаете с RDD, необходимо будет сначала преобразовать его в DataFrame:

val people_rdd = sc.parallelize(Seq((1, "alice"), (1, "bob"), (2, "charlie")))
val people_df = people_rdd.toDF("number", "name")

В Python, этот тот же код:

people_rdd = sc.parallelize([(1, "alice"), (1, "bob"), (2, "charlie")])
people_df = people_rdd.toDF(["number", "name"])

, После того как у Вас есть DataFrame, пишущий в несколько выводов на основе конкретного ключа, просто. Что более - и это - красота DataFrame API - код является в значительной степени тем же через Python, Scala, Java и R:

people_df.write.partitionBy("number").text("people")

И можно легко использовать другие выходные форматы, если Вы хотите:

people_df.write.partitionBy("number").json("people-json")
people_df.write.partitionBy("number").parquet("people-parquet")

В каждом из этих примеров, Spark создаст подкаталог для каждого из ключей, на которых мы разделили DataFrame:

people/
  _SUCCESS
  number=1/
    part-abcd
    part-efgh
  number=2/
    part-abcd
    part-efgh

Я сделал бы это как это, которое является масштабируемо

import org.apache.hadoop.io.NullWritable

import org.apache.spark._
import org.apache.spark.SparkContext._

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {
  override def generateActualKey(key: Any, value: Any): Any = 
    NullWritable.get()

  override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String = 
    key.asInstanceOf[String]
}

object Split {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("Split" + args(1))
    val sc = new SparkContext(conf)
    sc.textFile("input/path")
    .map(a => (k, v)) // Your own implementation
    .partitionBy(new HashPartitioner(num))
    .saveAsHadoopFile("output/path", classOf[String], classOf[String],
      classOf[RDDMultipleTextOutputFormat])
    spark.stop()
  }
}

, Просто видел подобный ответ выше, но на самом деле нам не нужны настроенные разделы. MultipleTextOutputFormat создаст файл для каждого ключа. Все в порядке, который несколько записывают с теми же ключами, попадают в тот же раздел.

новый HashPartitioner (цифра), где цифра является числом раздела, Вы хотите. В случае, если у Вас есть большое количество различных ключей, можно определить номер к большому. В этом случае каждый раздел не откроет слишком много hdfs обработчиков файлов.

Если у Вас потенциально есть много значений для данного ключа, я думаю, что масштабируемое решение состоит в том, чтобы выписать один файл на ключ на раздел. К сожалению, нет никакой встроенной поддержки этого в Spark, но мы можем сделать что-то на скорую руку.

sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c")))
  .mapPartitionsWithIndex { (p, it) =>
    val outputs = new MultiWriter(p.toString)
    for ((k, v) <- it) {
      outputs.write(k.toString, v)
    }
    outputs.close
    Nil.iterator
  }
  .foreach((x: Nothing) => ()) // To trigger the job.

// This one is Local, but you could write one for HDFS
class MultiWriter(suffix: String) {
  private val writers = collection.mutable.Map[String, java.io.PrintWriter]()
  def write(key: String, value: Any) = {
    if (!writers.contains(key)) {
      val f = new java.io.File("output/" + key + "/" + suffix)
      f.getParentFile.mkdirs
      writers(key) = new java.io.PrintWriter(f)
    }
    writers(key).println(value)
  }
  def close = writers.values.foreach(_.close)
}

(Замена PrintWriter с Вашим выбором операции распределенной файловой системы.)

Это делает единственную передачу по RDD и не выполняет перестановки. Это дает Вам один каталог на ключ со многими файлами в каждом.

Я имею подобную потребность и нашел путь. Но это имеет один недостаток (который не является проблемой для моего случая): необходимо повторно разделить Вас данные с одним разделом на выходной файл.

Для разделения таким образом это обычно требует для знания заранее, сколько файлов задание произведет и найдет функцией, которая отобразит каждый ключ к каждому разделу.

Первый позволяют нам создать наш находящийся в MultipleTextOutputFormat класс:

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

class KeyBasedOutput[T >: Null, V <: AnyRef] extends MultipleTextOutputFormat[T , V] {
  override def generateFileNameForKeyValue(key: T, value: V, leaf: String) = {
    key.toString
  }
  override protected def generateActualKey(key: T, value: V) = {
    null
  }
}

С этим Spark класса получит ключ от раздела (первое/последнее, я предполагаю), и назовите файл с этим ключом, таким образом, не хорошо смешаться, несколько включают тот же раздел.

Для Вашего примера, Вы потребуете пользовательского partitioner. Это сделает задание:

import org.apache.spark.Partitioner

class IdentityIntPartitioner(maxKey: Int) extends Partitioner {
  def numPartitions = maxKey

  def getPartition(key: Any): Int = key match {
    case i: Int if i < maxKey => i
  }
}

Теперь позволяют нам соединить все:

val rdd = sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c"), (7, "d"), (7, "e")))

// You need to know the max number of partitions (files) beforehand
// In this case we want one partition per key and we have 3 keys,
// with the biggest key being 7, so 10 will be large enough
val partitioner = new IdentityIntPartitioner(10)

val prefix = "hdfs://.../prefix"

val partitionedRDD = rdd.partitionBy(partitioner)

partitionedRDD.saveAsHadoopFile(prefix,
    classOf[Integer], classOf[String], classOf[KeyBasedOutput[Integer, String]])

Это генерирует 3 файла под префиксом (названный 1, 2 и 7), обрабатывая все в одной передаче.

, Как Вы видите, Вам нужно некоторое знание о Ваших ключах, чтобы смочь использовать это решение.

Для меня это было легче, потому что мне был нужен один выходной файл для каждого ключевого хеша, и количество файлов находилось под моим контролем, таким образом, я мог использовать запас HashPartitioner для добиваний цели.

Я нуждался в том же самом в Java. Регистрация моего перевода ответ Scala Zhang Zhan к Java Spark пользователи API:

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import scala.Tuple2;

import java.util.Arrays;


class RDDMultipleTextOutputFormat<A, B> extends MultipleTextOutputFormat<A, B> {

    @Override
    protected String generateFileNameForKeyValue(A key, B value, String name) {
        return key.toString();
    }
}

public class Main {

    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("Split Job")
                .setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        String[] strings = {"Abcd", "Azlksd", "whhd", "wasc", "aDxa"};
        sc.parallelize(Arrays.asList(strings))
                // The first character of the string is the key
                .mapToPair(s -> new Tuple2<>(s.substring(0,1).toLowerCase(), s))
                .saveAsHadoopFile("output/", String.class, String.class,
                        RDDMultipleTextOutputFormat.class);
        sc.stop();
    }
}

saveAsText () и saveAsHadoop (...) реализованы на основе данных RDD, конкретно методом: PairRDD.saveAsHadoopDataset, который берет данные PairRdd, где это выполняется. Я вижу два возможных варианта: Если Ваши данные являются относительно маленькими в размере, Вы могли бы сохранить некоторое время внедрения путем группировки по RDD, создания нового RDD из каждого набора и использования этого RDD для записи данных. Что-то вроде этого:

val byKey = dataRDD.groupByKey().collect()
val rddByKey = byKey.map{case (k,v) => k->sc.makeRDD(v.toSeq)}
val rddByKey.foreach{ case (k,rdd) => rdd.saveAsText(prefix+k}

Примечание, что это не будет работать на большие наборы данных b/c материализация итератора в v.toSeq, не могло бы уместиться в памяти.

другая опция я вижу, и на самом деле тот, который я рекомендовал бы в этом случае: самокрутка, путем прямого вызова hadoop/hdfs API.

Вот обсуждение, которое я запустил при исследовании этого вопроса: , Как создать RDDs из другого RDD?

У меня был подобный вариант использования, где я разделил входной файл на Hadoop HDFS в несколько файлов на основе ключа (1 файл на ключ). Вот мой код scala для искры

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

val hadoopconf = new Configuration();
val fs = FileSystem.get(hadoopconf);

@serializable object processGroup {
    def apply(groupName:String, records:Iterable[String]): Unit = {
        val outFileStream = fs.create(new Path("/output_dir/"+groupName))
        for( line <- records ) {
                outFileStream.writeUTF(line+"\n")
            }
        outFileStream.close()
    }
}
val infile = sc.textFile("input_file")
val dateGrouped = infile.groupBy( _.split(",")(0))
dateGrouped.foreach( (x) => processGroup(x._1, x._2))

, я сгруппировал записи на основе ключа. Значения для каждого ключа записаны для разделения файла.

хорошие новости для пользователя Python в случае, у Вас есть много столбцы и Вы хотите сохранить все другие столбцы, не разделенные в формате CSV, который будет отказавший, если Вы будете использовать "текстовый" метод в качестве предложения Nick Chammas.

people_df.write.partitionBy("number").text("people") 

сообщением об ошибке является "AnalysisException: источник данных u'Text поддерживает только отдельный столбец, и у Вас есть 2 столбца.'";

В искре 2.0.0 (моя тестовая среда является искрой hdp 2.0.0) пакет "com.databricks.spark.csv" теперь интегрируется, и это позволяет нам, сохраните текстовый файл, разделенный только на один столбец, посмотрите, что пример дует:

people_rdd = sc.parallelize([(1,"2016-12-26", "alice"),
                             (1,"2016-12-25", "alice"),
                             (1,"2016-12-25", "tom"), 
                             (1, "2016-12-25","bob"), 
                             (2,"2016-12-26" ,"charlie")])
df = people_rdd.toDF(["number", "date","name"])

df.coalesce(1).write.partitionBy("number").mode("overwrite").format('com.databricks.spark.csv').options(header='false').save("people")

[root@namenode people]# tree
.
├── number=1
│?? └── part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
├── number=2
│?? └── part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
└── _SUCCESS

[root@namenode people]# cat number\=1/part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
2016-12-26,alice
2016-12-25,alice
2016-12-25,tom
2016-12-25,bob
[root@namenode people]# cat number\=2/part-r-00000-6bd1b9a8-4092-474a-9ca7-1479a98126c2.csv
2016-12-26,charlie

В моей искре 1.6.1 сред, код не бросил ошибки, однако существует только один сгенерированный файл. это не делится двумя папками.

Hope это может помочь.

У меня был подобный вариант использования. Я разрешил его в Java путем записи двух пользовательских классов, реализовав MultipleTextOutputFormat и RecordWriter.

Мой вход был JavaPairRDD<String, List<String>>, и я хотел сохранить его в файле, названном его ключом со всеми строками, содержавшимися в его значении.

Вот код для моего MultipleTextOutputFormat, реализация

class RDDMultipleTextOutputFormat<K, V> extends MultipleTextOutputFormat<K, V> {

    @Override
    protected String generateFileNameForKeyValue(K key, V value, String name) {
        return key.toString(); //The return will be used as file name
    }

    /** The following 4 functions are only for visibility purposes                 
    (they are used in the class MyRecordWriter) **/
    protected String generateLeafFileName(String name) {
        return super.generateLeafFileName(name);
    }

    protected V generateActualValue(K key, V value) {
        return super.generateActualValue(key, value);
    }

    protected String getInputFileBasedOutputFileName(JobConf job,     String name) {
        return super.getInputFileBasedOutputFileName(job, name);
        }

    protected RecordWriter<K, V> getBaseRecordWriter(FileSystem fs, JobConf job, String name, Progressable arg3) throws IOException {
        return super.getBaseRecordWriter(fs, job, name, arg3);
    }

    /** Use my custom RecordWriter **/
    @Override
    RecordWriter<K, V> getRecordWriter(final FileSystem fs, final JobConf job, String name, final Progressable arg3) throws IOException {
    final String myName = this.generateLeafFileName(name);
        return new MyRecordWriter<K, V>(this, fs, job, arg3, myName);
    }
} 

Вот является кодом для моего RecordWriter реализация.

class MyRecordWriter<K, V> implements RecordWriter<K, V> {

    private RDDMultipleTextOutputFormat<K, V> rddMultipleTextOutputFormat;
    private final FileSystem fs;
    private final JobConf job;
    private final Progressable arg3;
    private String myName;

    TreeMap<String, RecordWriter<K, V>> recordWriters = new TreeMap();

    MyRecordWriter(RDDMultipleTextOutputFormat<K, V> rddMultipleTextOutputFormat, FileSystem fs, JobConf job, Progressable arg3, String myName) {
        this.rddMultipleTextOutputFormat = rddMultipleTextOutputFormat;
        this.fs = fs;
        this.job = job;
        this.arg3 = arg3;
        this.myName = myName;
    }

    @Override
    void write(K key, V value) throws IOException {
        String keyBasedPath = rddMultipleTextOutputFormat.generateFileNameForKeyValue(key, value, myName);
        String finalPath = rddMultipleTextOutputFormat.getInputFileBasedOutputFileName(job, keyBasedPath);
        Object actualValue = rddMultipleTextOutputFormat.generateActualValue(key, value);
        RecordWriter rw = this.recordWriters.get(finalPath);
        if(rw == null) {
            rw = rddMultipleTextOutputFormat.getBaseRecordWriter(fs, job, finalPath, arg3);
            this.recordWriters.put(finalPath, rw);
        }
        List<String> lines = (List<String>) actualValue;
        for (String line : lines) {
            rw.write(null, line);
        }
    }

    @Override
    void close(Reporter reporter) throws IOException {
        Iterator keys = this.recordWriters.keySet().iterator();

        while(keys.hasNext()) {
            RecordWriter rw = (RecordWriter)this.recordWriters.get(keys.next());
            rw.close(reporter);
        }

        this.recordWriters.clear();
    }
}

большая часть кода является точно тем же, чем в FileOutputFormat. Единственной разницей являются те немного строк

List<String> lines = (List<String>) actualValue;
for (String line : lines) {
    rw.write(null, line);
}

, Эти строки позволили мне писать каждую строку своего входа List<String> на файле. Первый аргумент эти write функция установлена на [1 112], чтобы не писать ключ на каждой строке.

В заключение, я только должен сделать этот вызов для записи моих файлов

javaPairRDD.saveAsHadoopFile(path, String.class, List.class, RDDMultipleTextOutputFormat.class);