Spark存储与读取文件方法小结

http://blog.csdn.net/buring_/article/details/42424477   mark

一：Spark中常常面临这RDD的存储问题，记录一下常常面临的几种情况。saveAsObjectFile, SequenceFile, mapFile, textFile我就不说了。

首先：在写文件的时候，经常输出的目录以及存在，需要一个删掉目录以及存在的情况。大致功能如下

 def checkDirExist(sc:SparkContext,outpath:String) = {
   logInfo("check output dir is exists")
   val hdfs = FileSystem.get(new URI("hdfs://hdfs_host:port"),sc.hadoopConfiguration)
   try{
     hdfs.delete(new Path(outpath),true) //这里已经new 目录了，删除再说，总之是删了
     logInfo("输出目录存在，删除掉:%s".format(outpath))
   } catch {
     case _:Throwable => logWarning("输出目录不存在，不用删除") //永远不会来吧
   }
 }

1）存取对象，saveAsObjectFile ,十分方便，类似于python的cPickle.主要用法如下：
比如有一个

 val rdd:RDD[(Long,Array[Double])]
 rdd.saveAsObjectFile(outpath)

 读取对象文件，需要指定类型
 val input:RDD[(Long,Array[Double])] = sc.objectFile[(Long,Array[Double])](outpath)

2)有时候需要节约空间，这样就需要存储序列化文件。如

 val rdd: RDD[(Long, Array[Byte])]
 new SequenceFileRDDFunctions(rdd).saveAsSequenceFile(outpath)
 这里需要注意序列化时候，Long，Array都需要一个隐式转换函数，如下：
 implicit def arrayBytetoBytesArray(bytes:Array[Byte]):BytesWritable = new BytesWritable(bytes)
 implicit  def long2LongWritable(ll:Long):LongWritable = new LongWritable(ll)

 读取序列化文件：
 val rdd = sc.sequenceFile(dir+"/svd",classOf[LongWritable],classOf[BytesWritable]).map{case(uid,sessions)=>
   sessions.setCapacity(sessions.getLength)
   (uid.get(),sessions.getBytes.clone())
 }

这里需要注意的是，读取序列化文件，默认复用了同样的Writable object for each record, 也就导致了返回的RDD将会创建许多引用到同一个对象，我被这个坑了好久。因此这里需要将Array[Byte] 拷贝出来，不然所以的数据都是一样的，Long不是引用对象不需要。

3）有时候需要存储mapFile,用来根据key 快速索引。实践发现，索引的确很快，而且节约存储空间。
存储mapFile文件，需要注意是现要排序以后才能输出，为了快速索引，排序也是可以理解的嘛。

 val temp: RDD[(Long, Array[Byte])]
 val mapfile = temp.toArray().sortBy(e => e._1)
 var writer: MapFile.Writer = null
 val conf = sc.hadoopConfiguration
 val fs = FileSystem.get(URI.create(dir+"/merge"),conf)
 val key = new LongWritable()
 val value = new BytesWritable()
 try{
   writer = new Writer(conf,fs,dir+"/merge",classOf[LongWritable],classOf[BytesWritable])
   //这里不知道设置多少比较合适,感觉都ok
   writer.setIndexInterval(1024)
   for(ele <-mapfile){
     key.set(ele._1)
     value.set(ele._2)
     writer.append(key,value)
   }
 }finally {
   IOUtils.closeStream(writer)
 }

 快捷根据key 来检索value
 val reader = new Reader(FileSystem.get(sc.hadoopConfiguration),
   dir,sc.hadoopConfiguration)

 val key = new LongWritable(args(1).toLong)
 val value = new BytesWritable()

 reader.get(key,value)
 value.setCapacity(value.getLength)
 val bytes = value.getBytes