Spark多文件输出(MultipleOutputFormat)

在Hadoop中根据Key或者Value的不同将属于不同的类型记录写到不同的文件中。在里面用到了MultipleOutputFormat这个类。

　　因为Spark内部写文件方式其实调用的都是Hadoop那一套东西，所以我们也可以通过Spark实现多文件输出。不过遗憾的是，Spark内部没有多文件输出的函数供大家直接调用，值得欣慰的是，我们自己实现这个功能也是很简单的。我们可以通过调用saveAsHadoopFile函数并自定义一个OutputFormat类即可，代码如下：

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

object Split {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("SplitTest")
    val sc = new SparkContext(conf)
    sc.parallelize(List(("w", "www"), ("b", "blog"), ("c", "com"), ("w", "bt")))
      .map(value => (value._1, value._2 + "Test"))
      .partitionBy(new HashPartitioner(3))
      .saveAsHadoopFile("/iteblog", classOf[String], classOf[String],
        classOf[RDDMultipleTextOutputFormat])
    sc.stop()
  }
}

RDDMultipleTextOutputFormat类中的generateFileNameForKeyValue函数有三个参数，key和value就是我们RDD的Key和Value，而name参数是每个Reduce的编号。本例中没有使用该参数，而是直接将同一个Key的数据输出到同一个文件中。执行：

bin/spark-submit --master yarn-cluster 
--class Split ./iteblog-1.0-SNAPSHOT.jar

然后我们可以看到在HDFS上输出的文件列表如下：

[blog@master ]$ bin/hadoop fs -ls /blog
Found 4 items
-rw-r--r--   3 blog hadoop2          0 2015-03-09 11:26 /blog/_SUCCESS
-rw-r--r--   3 blog hadoop2         11 2015-03-09 11:26 /blog/b
-rw-r--r--   3 blog hadoop2         10 2015-03-09 11:26 /blog/c
-rw-r--r--   3 blog hadoop2         19 2015-03-09 11:26 /blog/w

[blog@master ]$ bin/hadoop fs -cat /blog/w
w	btTest
w	wwwTest

从上面的输出可以看出key为w的记录全部输出到文件名为w的文件中去了。

　　不过社区已经有人建议开发出saveAsTextFileByKey函数来实现该功能(SPARK-3533，https://github.com/apache/spark/pull/4895)，在Spark 1.4.0版本添加。