相关内容:通过Scalding Hadoop,一个MapReduce Job的键对多个输出进行写
Eg
sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c")))
.writeAsMultiple(prefix, compressionCodecOption)
将确保
cat prefix/1
为a
b
,而
cat prefix/2
将为c
编辑:我最近添加了一个新的答案,其中包括完整的导入,pimp和压缩编解码器,请参阅https://stackoverflow.com/a/46118044/1586965,这可能对您有所帮助较早的答案。
#1 楼
如果使用Spark 1.4+,这要归功于DataFrame API,它变得非常容易。 (DataFrame是在Spark 1.3中引入的,而我们需要的partitionBy()
是在1.4中引入的。)如果您是从RDD开始的,则首先需要将其转换为DataFrame :
val people_rdd = sc.parallelize(Seq((1, "alice"), (1, "bob"), (2, "charlie")))
val people_df = people_rdd.toDF("number", "name")
在Python中,相同的代码是:
people_rdd = sc.parallelize([(1, "alice"), (1, "bob"), (2, "charlie")])
people_df = people_rdd.toDF(["number", "name"])
一旦有了DataFrame,就编写基于特定键将多个输出转换为简单的方法。更重要的是-这就是DataFrame API的优点-在Python,Scala,Java和R中,代码几乎相同:
people_df.write.partitionBy("number").text("people")
如果需要,可以轻松使用其他输出格式:
people_df.write.partitionBy("number").json("people-json")
people_df.write.partitionBy("number").parquet("people-parquet")
在每个示例中,Spark都会为分区了DataFrame的每个键创建一个子目录上:
people/
_SUCCESS
number=1/
part-abcd
part-efgh
number=2/
part-abcd
part-efgh
评论
您可以在Scala中添加等效的数据集代码吗?我会接受为最佳答案。是的,有些人不在乎类型,喜欢每隔几分钟运行整个应用程序以查找是否有错误,但是我们中的一些人喜欢在键入时立即捕获诸如“ nubmer”之类的拼写错误:)回答。
–最好的
16年5月12日在17:28
@samthebest-仅供参考,我回滚了您的编辑,因为它存在一些问题:它不符合我的写作风格;我对数据集了解不多,因此有关数据集[SomeCaseClass]的注释更适合作为注释;最后,Python没有makeRDD()方法。
–尼克·查马斯(Nick Chammas)
16年5月14日在16:23
请注意,如果您有Dataset [SomeCaseClass],则只需调用.toDF(),列标签将与SomeCaseClasses字段匹配。这提供了更多的类型安全性。
–最好的
16年5月18日在14:10
有什么方法可以强制这种方法每个分区只写入一个文件/部分?
– moustachio
16年5月21日在18:06
@moustachio-好问题。我认为您可以通过将DataFrame合并到partitionBy()之前的一个分区中来强制执行此操作。例如:people_df.coalesce(1).write.partitionBy(“ number”)。text(“ people”)但是,这可能会限制写入数据时Spark的并行性,具体取决于您的数据和集群配置。
–尼克·查马斯(Nick Chammas)
16年5月23日在1:25
#2 楼
我会这样做,因为它可以伸缩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()
}
}
上面刚刚看到了类似的答案,但实际上我们不需要自定义分区。 MultipleTextOutputFormat将为每个键创建文件。可以将具有相同键的多个记录放入同一分区。
新的HashPartitioner(num),其中num是所需的分区号。如果您有大量不同的键,可以将数字设置为big。在这种情况下,每个分区将不会打开太多的hdfs文件处理程序。
评论
请您添加所有必要的导入语句吗?我没有测试过,但是接受答案似乎是我想要的。 partitionBy(new Hashpartitioner(num))有什么意义?这和repartition(num)不同吗?
–最好的
2014-09-27 12:48
它是不同的。哈希分区将确保所有具有相同键的记录都转到相同分区。我记得重新分区没有此功能。
–张展
2014年9月28日在0:57
非常感谢这个非常好的解决方案。我只是想知道以下内容:我应该如何修改您的代码,以使每个文件的输出按值v排序?
– Yanis Gkoufas
15年1月31日在20:31
我一直在寻找编写多个实木复合地板输出的方法,而沿着这条线的解决方案看起来很有希望(仅直接子类化MultipleOutputFormat,而不使用MultipleTextOutputFormat)。不幸的是,MutlipleOutputFormat仅存在于旧的API MR1 / mapred中,而AvroParquetOutputFormat和ParquetOutputFormat(支持镶木地板)是针对新API MR2 / mapreduce编写的,因此似乎未打开相同的路径...
– silasdavis
2015年7月3日15:45
看起来很棒!有python等效项吗?
– NDavis
16年2月24日,0:03
#3 楼
如果给定密钥可能有很多值,我认为可扩展的解决方案是每个分区的每个密钥写出一个文件。不幸的是,Spark中没有对此的内置支持,但是我们可以解决一下。(用选择的分布式文件系统操作代替
PrintWriter
。)这会在RDD上进行一次传递,并且不会进行随机播放。它为每个键提供一个目录,每个目录中都有许多文件。
评论
谢谢。如果我们在哪里使用HDFS而不是本地文件系统,那么实际上我们将自己亲自实现改组部分,对吗?另外,当多个分区包含具有相同密钥的对时会发生什么?这两个任务都可能尝试写入同一文件,因此我们需要某种同步的文件管理系统来跟踪创建XXXXX部分。鉴于我确定存在使用MultipleOutputFormat的解决方案,因此该解决方案感到很脏。
–最好的
14年6月21日在16:02
没错,这是一种实施改组。但是我认为没有瓶颈。没有单个节点正在接收带有密钥的所有记录。来自多个分区的同一密钥没有问题,也不需要同步。文件名是输出/ <键> / <分区>。因此,每个分区写入不同的文件。 (分区索引转到示例中的后缀。)
–丹尼尔(Daniel Darabos)
14年6月21日在17:33
MultipleOutputFormat听起来很适合这项工作,并且可以按照相同的想法工作。我只是从未使用过。我认为您只是重写MultiWriter以使用MultipleOutputFormat而不是滚动其自己的key-> file映射。但是mapPartitionsWithIndex位将基本保持不变。
–丹尼尔(Daniel Darabos)
14年6月21日在17:36
抱歉,我误解了您的解决方案(我略读了一下)。感谢您的澄清。是的,我认为可以进行一些尝试,并用HDFS替换编写器代码,这将起作用(也没有瓶颈)。感谢您的回答。
–最好的
14年6月22日在12:38
我担心当我们使用mapPartitionsWithIndex并手动写入HDFS时,该特定分区不一定会输出到该分区的所需位置。因此,额外的混洗是不必要的,并且可以避免。
–最好的
2014年8月12日上午10:42
#4 楼
这包括请求的编解码器,必要的导入和请求的pimp。import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SQLContext
// TODO Need a macro to generate for each Tuple length, or perhaps can use shapeless
implicit class PimpedRDD[T1, T2](rdd: RDD[(T1, T2)]) {
def writeAsMultiple(prefix: String, codec: String,
keyName: String = "key")
(implicit sqlContext: SQLContext): Unit = {
import sqlContext.implicits._
rdd.toDF(keyName, "_2").write.partitionBy(keyName)
.format("text").option("codec", codec).save(prefix)
}
}
val myRdd = sc.makeRDD(Seq((1, "a"), (1, "b"), (2, "c")))
myRdd.writeAsMultiple("prefix", "org.apache.hadoop.io.compress.GzipCodec")
与OP的一个细微差别是,它将
<keyName>=
前缀到目录名称。例如,myRdd.writeAsMultiple("prefix", "org.apache.hadoop.io.compress.GzipCodec")
给出:
prefix/key=1/part-00000
prefix/key=2/part-00000
其中
prefix/my_number=1/part-00000
包含行a
和b
以及prefix/my_number=2/part-00000
将包含行c
。和
myRdd.writeAsMultiple("prefix", "org.apache.hadoop.io.compress.GzipCodec", "foo")
将给出:
prefix/foo=1/part-00000
prefix/foo=2/part-00000
应该清楚如何编辑
parquet
。 最后,下面是
Dataset
的示例,也许比使用元组更好。implicit class PimpedDataset[T](dataset: Dataset[T]) {
def writeAsMultiple(prefix: String, codec: String, field: String): Unit = {
dataset.write.partitionBy(field)
.format("text").option("codec", codec).save(prefix)
}
}
评论
不确定它没有+100赞成票,而实际上有零赞成票。非常有帮助,谢谢!
–阿里奥斯塔德
17年12月20日在20:49
@Aliostad,看看日期,这是一年半之后发布的。另外,在SO中发布自己的问题的答案(在已经有一个或多个有效问题之后)并接受它并不是惯例(有时被认为是不礼貌的)。有时情况需要多个答案,但是您通常会保留原始答案(除非事实证明是错误的,或者来自另一个用户的新答案好得多,但事实并非如此,OP明确认为原答案正确)。在这种情况下,我只能假设OP不了解该准则。
–阿贝尔
18/12/15在20:55
@Abel我知道准则,但是我觉得有必要发布自己的答案,因为我的答案“比这里要好得多”,因为这是唯一的答案:1.包括如何指定压缩编解码器(如在OP中要求); 2。包括如何将其添加为pimp / extension方法(在OP中要求); 3。实际编译! (包括必要的导入),4.使用正确的Scala样式和格式。令人遗憾的是,快到2019年了,并不是每个人都可以编写可编译的代码,也不是正确的样式。
–最好的
18/12/17在8:30
最高的答案实际上是最好的,看来您基本上是在模仿他。
– JP Silvashy
19年11月17日在17:33
@JPSilvashy我确实尝试编辑答案,以便它1.包括如何指定压缩编解码器(按OP的要求),2.包括如何将其添加为pimp / extension方法(按OP的要求), 3.实际编译! (包括必要的导入),4.使用正确的Scala样式和格式。张贴者拒绝了我的编辑,因此我创建了一个新答案。至少有十几个人发现我的答案比最重要的答案更有帮助。
–最好的
1月23日9:02
#5 楼
我有类似的需求,找到了一种方法。但这有一个缺点(对我而言,这不是问题):您需要对每个输出文件使用一个分区对数据进行重新分区。以这种方式进行分区通常需要事先知道该作业将输出多少个文件,并找到一个将每个键映射到每个分区的函数。
首先让我们创建基于MultipleTextOutputFormat的类:
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
}
}
使用此类,Spark将从分区(我想是第一个/最后一个)中获取一个密钥,并使用该密钥命名文件,因此在同一分区上混合多个密钥不是很好。 br />例如,您将需要一个自定义分区程序。这样就可以了:
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
}
}
现在我们将所有内容放在一起:
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]])
这将生成3前缀(分别为1、2和7)下的文件,一次处理所有内容。
如您所见,您需要一些有关密钥的知识才能使用此解决方案。
对我来说,这很容易,因为每个密钥哈希都需要一个输出文件,并且文件的数量在我的控制之下,所以我可以使用常规的HashPartitioner来实现此目的。
评论
到目前为止,这无疑是最好的解决方案,并且似乎可以解决问题。我有点担心,这将导致每个密钥一个文件,这将导致大型数据集出现问题。如果您可以修改答案,以便每个键的输出文件数是可配置的,我将不胜感激。
–最好的
2014年6月20日9:09
@samthebest,我可以做到,但这将是一个非常具体的解决方案。您能否更新问题以说您想要每个键多个输出文件?顺便说一句,您真的在工作中使用整数键吗?
– Douglaz
14年6月20日在21:39
好吧,任何在分区上有意义的键-当我们在其上调用toString时,这是合理的。我不确定是否需要更新答案,因为在HDFS上生成大文件是众所周知的坏习惯,因为它限制了您可以使用的压缩类型。如果我们有非常大的文件,并且我们必须选择一个可拆分的压缩算法,这可能不是最适合手头的工作。此外,由于Hadoop中的错误,Spark当前无法读取bzip2(我最喜欢的可拆分压缩)。不过,我将答案更新为明确的。再次非常感谢。
–最好的
2014年6月21日,11:13
此解决方案将所有数据都放在一个节点上,如果它们都具有相同的密钥,对吗?似乎有损于其总体可伸缩性。
–丹尼尔(Daniel Darabos)
14年6月21日在13:14
@DanielDarabos点是正确的。当然,可以对IdentityIntPartitioner进行调整,以使每个可能的键都有多个分区,例如M,其中一个是随机选择的。我们将需要使用哈希函数并通过numPartitions对结果取模,尽管那样会出现问题-不同的键可能最终出现在同一个分区中,我认为这会破坏saveAsHadoopFile吗?这是一个不平凡的问题。
–最好的
14年6月21日在16:40
#6 楼
我在Java中也需要同样的东西。将我的张湛Scala答案的翻译发布给Spark Java API用户: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();
}
}
#7 楼
saveRDS数据是基于RDD数据实现的,特别是通过以下方法实现的:PairRDD.saveAsHadoopDataset,它从执行对的PairRdd中获取数据。我看到两个可能的选择:如果您的数据相对较小,您可以通过对RDD进行分组,从每个集合中创建一个新的RDD并使用该RDD写入数据来节省一些实现时间。像这样的东西:
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}
请注意,它不适用于大型数据集,因为b / c在
v.toSeq
处的迭代器的实现可能不适合内存。我看到的另一种选择,实际上是我在这种情况下推荐的选择:通过直接调用hadoop / hdfs api自己滚动。
这是我在研究此问题:
如何从另一个RDD创建RDD?
评论
是的,我想使用hadoop / hdfs api-即使用MultipleOutputFormat,但是我想知道如何做到这一点。
–最好的
2014年6月4日上午10:30
您不能在另一个RDD(第二行)中创建一个RDD。看到这个pptslideshare.net/databricks/…
–阿德里安
2015年3月25日14:07
@Adrian,您是对的。我在那儿缺少收藏品。
–马斯格
2015年3月25日14:18在
#8 楼
我有一个类似的用例,其中我根据一个密钥(每个密钥1个文件)将Hadoop HDFS上的输入文件拆分为多个文件。这是我的spark的scala代码。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))
我已根据密钥对记录进行了分组。每个密钥的值都写入单独的文件。
评论
这看起来是一个很好的解决方案,特别是因为它处理结果的可迭代对象,我得到了org.apache.spark.SparkException:任务无法序列化,您认为fs实例导致了此问题吗?
– perrohunter
15年12月17日在19:34
我喜欢这种解决方案,因为它不使用DataFrames。这个对我有用。我担心每个组仅写入1个文件,这对于大型数据集可能会造成麻烦,对吧?例如我的群组大约有150MB,这很好...
–eggie5
19年8月21日在17:02
我认为此解决方案不适用于每个键中的大量数据
– Ayoub Omari
10月27日15:29
#9 楼
如果您有多列并且要保存所有未按csv格式分区的其他列,这对于python用户来说是个好消息,如果您使用Nick的建议使用“文本”方法,这将失败。people_df.write.partitionBy("number").text("people")
错误消息是“ AnalysisException:u'Text数据源仅支持单列,并且您有2列。;“” 在spark 2.0.0中(我测试环境是hdp的spark 2.0.0)软件包“ com.databricks.spark.csv”现已集成,它允许我们保存仅一列分区的文本文件,请参见示例打击:
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
在我的Spark 1.6.1环境中,代码没有引发任何错误,但是仅生成了一个文件。它没有被两个文件夹分区。
希望这会有所帮助。
#10 楼
我有一个类似的用例。我通过编写两个实现MultipleTextOutputFormat
和RecordWriter
的自定义类在Java中解决了该问题。 我的输入是
JavaPairRDD<String, List<String>>
,我想将其存储在以其键命名的文件中,所有行都包含在其值中。这是我的代码
MultipleTextOutputFormat
实现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);
}
}
这是我
RecordWriter
实现的代码。 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();
}
}
大多数代码与
FileOutputFormat
中的代码完全相同。唯一的区别是那几行List<String> lines = (List<String>) actualValue;
for (String line : lines) {
rw.write(null, line);
}
这些行使我可以将输入
List<String>
的每一行写到文件上。为了避免在每行上写密钥,write
函数的第一个参数设置为null
。要完成此操作,我只需要执行此调用来写入我的文件
javaPairRDD.saveAsHadoopFile(path, String.class, List.class, RDDMultipleTextOutputFormat.class);
评论
您能否添加一个示例来说明您的追求?也许是输入集合以及您期望的过程/输出是什么?不,已完成maasg的请求@fengyun,“完成”。我们有一个用例,特别是当前,我们有一个使用TemplatedTsv的Scalding作业,我们希望将其替换为Spark作业。但是重构一直在我们的待办事项中……当我最终写出一个完整的基于hdfs的解决方案时,我一定会在这里发布它。
这个例子有帮助吗?我正在尝试自己弄清楚该怎么做。
仅供参考:我已打开SPARK-3533,要求将更简单的方法添加到Spark中。