Spark RDD 多文件输入

1.将多个文本文件读入一个RDD中

  

       SparkConf conf=new SparkConf()
               .setMaster("local")
               .setAppName("save");
       JavaSparkContext sc=new JavaSparkContext(conf);
       
       JavaRDD<String>  lines=sc.textFile("student*");
       lines.foreach(new VoidFunction<String>(){

        @Override
        public void call(String arg0) throws Exception {
            // TODO Auto-generated method stub
            System.out.println(args);
            
        }
           
       });
       
    }

 

   textFile的参数可以支持通配符哦！！！很强大吧。事实上，这个东西确实很强大：

public RDD<java.lang.String> textFile(java.lang.String path,
                             int minPartitions)
Read a text file from HDFS, a local file system (available on all nodes), or any Hadoop-supported file system URI, and return it as an RDD of Strings.

 

他可以从hdfs中读取数据，可以从本地文件系统读取数据(之不多此时要求所有节点都要有这个文件)，或者任何hadoop支持的文件系统。

 

2.将一个RDD保存到文件中。

 

   SparkConf conf=new SparkConf()
               .setMaster("local")
               .setAppName("save");
       JavaSparkContext sc=new JavaSparkContext(conf);
       
       JavaRDD<String>  lines=sc.textFile("student*");


       //保存到hdfs      
       lines.saveAsTextFile("hdfs://spark2:9000/francis/spark-core/studentsRDD.txt");

 

ok，让我们查看一下hdfs上的文件吧：

 

hadoop fs -ls -h /francis/spark-core/studentsRDD.txt/

 

内容如下：

Found 4 items
-rw-r--r--   3 francis supergroup          0 2016-03-10 18:58 /francis/spark-core/studentsRDD.txt/_SUCCESS
-rw-r--r--   3 francis supergroup         38 2016-03-10 18:58 /francis/spark-core/studentsRDD.txt/part-00000
-rw-r--r--   3 francis supergroup         38 2016-03-10 18:58 /francis/spark-core/studentsRDD.txt/part-00001
-rw-r--r--   3 francis supergroup         38 2016-03-10 18:58 /francis/spark-core/studentsRDD.txt/part-00002

可以发现，每一个partition保存到一个文件中去了。

 

注意：在windows eclipse中调用saveAsTextFile时，如果将数据保存到window本地文件，会出现错误！！！！！

想要测试这种情况，还是去linux吧。

 

调用saveAsTextFile将数据保存到外部文件系统中了，那么如何在将他们到RDD中呢？只需要调用textFile并传入当时保存的那个文件名就ok了。

 

3.将RDD保存到一个文件中

  上面看到了，每一个partition会被保存到要给单独的文件中去。如何让所有partition都保存到一个文件中呢？可以考虑如下两种思路：

  第一种方法，对rdd调用collect()，此时返回的是要给array，然后将array保存到文件中。

  第二张方法，并不推荐，他可能会极大的降低性能：先调用coalesce(1)，然后再saveAsTextFile。

是否真的需要保存到一个文件中？这个需要仔细商榷，如果数据量比较大，保存到一个文件的性能会大大降低。

 

 

作者：FrancisWang

邮箱：franciswbs@163.com
出处：http://www.cnblogs.com/francisYoung/
本文地址：http://www.cnblogs.com/francisYoung/p/5263179.html
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。