处理 Spark Streaming rdd 并存储到单个 HDFS 文件

问题描述

1. 我正在使用 Kafka Spark Streaming 来获取流数据.

1. I am using Kafka Spark Streaming to get streaming data.

val lines = KafkaUtils.createDirectStream[Array[Byte], String, DefaultDecoder, StringDecoder](ssc, kafkaConf, Set(topic)).map(_._2)

我正在使用这个 DStream 并处理 RDD

I am using this DStream and processing RDDs

val output = lines.foreachRDD(rdd =>
        rdd.foreachPartition { partition =>
            partition.foreach { file => runConfigParser(file)}
})

runConfigParser 是一种 JAVA 方法，它解析文件并生成我必须保存在 HDFS 中的输出.因此，多个节点将处理 RDD 并将输出写入一个单一的 HDFS 文件.因为我想在 HIVE 中加载这个文件.

runConfigParser is a JAVA method which parses a file and produces an output which i have to save in HDFS. So multiple nodes will process RDD and write output into one single HDFS file. As i want to load this fie in HIVE.

我应该输出 runConfigParser 的结果并使用 sc.parallze(output).saveAsTextFile(path) 这样我的所有节点都会将 RDD 输出写入单个 HDFS 文件.?这种设计有效吗?

should I output the result of runConfigParser and use sc.parallze(output).saveAsTextFile(path) such that all my nodes will write RDD outputs to single HDFS file.? Is this design efficient ?

我将在 HIVE 中加载这个单一的 HDFS 文件(它将作为其流数据不断更新)并使用 Impala 进行查询.

I will load this single HDFS file (which will be constantly updated as its streaming data) in HIVE and query using Impala.

推荐答案

您可以使用一个函数来合并"saveAsTextFile 的结果.像这样:

You can use a function to "merge" the result of saveAsTextFile. Like this:

import org.apache.hadoop.fs._

def saveAsTextFileAndMerge[T](hdfsServer: String, fileName: String, rdd: RDD[T]) = {
    val sourceFile = hdfsServer + "/tmp/"
    rdd.saveAsTextFile(sourceFile)
    val dstPath = hdfsServer + "/final/"
    merge(sourceFile, dstPath, fileName)
  }

  def merge(srcPath: String, dstPath: String, fileName: String): Unit = {
    val hadoopConfig = new Configuration()
    val hdfs = FileSystem.get(hadoopConfig)
    val destinationPath = new Path(dstPath)
    if (!hdfs.exists(destinationPath)) {
      hdfs.mkdirs(destinationPath)
    }
    FileUtil.copyMerge(hdfs, new Path(srcPath), hdfs, new Path(dstPath + "/" + fileName), false, hadoopConfig, null)
  }

这篇关于处理 Spark Streaming rdd 并存储到单个 HDFS 文件的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！