Spark---WC---Spark从外部读取数据之textFile

Ref：https://blog.csdn.net/legotime/article/details/51871724#

测试数据
hello spark
hello hadoop
csdn hadoop
csdn csdn
hello world
结果
(spark,1)
(hadoop,2)
(csdn,3)
(hello,3)
(world,1)

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object WC {

    def main(args: Array[String]): Unit = {
        val conf: SparkConf = new SparkConf().setAppName("WC").setMaster("local")
        val sc: SparkContext = new SparkContext(conf)
        val path = "file:///" + System.getProperty("user.dir") + "/data4test/WC.txt"

        val outpath="file:///" + System.getProperty("user.dir") + "/data4test/WC4result.txt"

        //textFile会产生两个RDD  HadoopRDD 和 MapPartitionsRDD
        val hadoopRDD: RDD[String] = sc.textFile(path)
        //产生一个RDD==>MapPartitionsRDD
        val mapPartitionsRDD_1: RDD[String] = hadoopRDD.flatMap(line => line.split(" "))
        //产生一个RDD==>MapPartitionsRDD
        val mapPartitionsRDD_2: RDD[(String, Int)] = mapPartitionsRDD_1.map(word => (word, 1))
        //产生一个RDD==>ShuffledRDD
        val shuffleRDD: RDD[(String, Int)] = mapPartitionsRDD_2.reduceByKey((a,b)=>a+b)
        shuffleRDD.saveAsTextFile(outpath)
        sc.stop()
    }
}

SparkContext--textFile函数

源码过程

SparkContext.scala	HadoopRDD.scala
textFile => hadoopFile=>	HadoopRDD

HadoopRDD

/** 
   * 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. 
   */  
  def textFile(  
      path: String,  
      minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {  
    assertNotStopped()  
    hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],  
      minPartitions).map(pair => pair._2.toString).setName(path)  
  }

分析参数：

path: String 是一个URI，這个URI可以是HDFS、本地文件（全部的节点都可以），或者其他Hadoop支持的文件系统URI返回的是一个字符串类型的RDD，也就是是RDD的内部形式是Iterator[(String)]

minPartitions= math.min(defaultParallelism, 2) 是指定数据的分区，如果不指定分区，

当你的核数大于2的时候，不指定分区数那么就是 2

当你的数据大于128M时候，Spark是为每一个快（block）创建一个分片（Hadoop-2.X之后为128m一个block）

def hadoopFile[K, V](
      path: String,
      inputFormatClass: Class[_ <: InputFormat[K, V]],
      keyClass: Class[K],
      valueClass: Class[V],
      minPartitions: Int = defaultMinPartitions): RDD[(K, V)] = withScope {
    assertNotStopped()
    //   A Hadoop configuration can be about 10 KB, which is pretty big, so broadcast it.
    //   广播hadoop配置文件
    val confBroadcast = broadcast(new SerializableConfiguration(hadoopConfiguration))
    val setInputPathsFunc = (jobConf: JobConf) => FileInputFormat.setInputPaths(jobConf, path)
    new HadoopRDD(
      this,//SparkContext
      confBroadcast,
      Some(setInputPathsFunc),
      inputFormatClass,
      keyClass,
      valueClass,
      minPartitions).setName(path)
  }

1、从当前目录读取一个文件

val path = "Current.txt"  //Current fold file
val rdd1 = sc.textFile(path,2)

从当前目录读取一个Current.txt的文件

2、从当前目录读取多个文件

val path = "Current1.txt，Current2.txt，"  //Current fold file
val rdd1 = sc.textFile(path,2)

从当前读取两个文件，分别是Cuttent1.txt和Current2.txt

3、从本地系统读取一个文件

val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/README.md"  //local file
val rdd1 = sc.textFile(path,2)

从本地系统读取一个文件，名字是README.md

4、从本地系统读取整个文件夹

val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/"  //local file
val rdd1 = sc.textFile(path,2)

从本地系统中读取licenses这个文件夹下的所有文件

這里特别注意的是，比如這个文件夹下有35个文件，上面分区数设置是2，那么整个RDD的分区数是35*2？

這是错误的，這个RDD的分区数不管你的partition数设置为多少时，只要license這个文件夹下的這个文件a.txt

(比如有a.txt)没有超过128m，那么a.txt就只有一个partition。那么就是说只要这35个文件其中没有一个超过

128m，那么分区数就是 35个

5、从本地系统读取多个文件

val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/LICENSE-scala.txt,file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/LICENSE-spire.txt"  //local file
val rdd1 = sc.textFile(path,2)

从本地系统中读取file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/下的LICENSE-spire.txt和LICENSE-scala.txt两个文件。上面分区设置是2，那个RDD的整个分区数是2*2

6、从本地系统读取多个文件夹下的文件（把如下文件全部读取进来）

val path = "/usr/local/spark/spark-1.6.0-bin-hadoop2.6/data/*/*"  //local file
val rdd1 = sc.textFile(path,2)

采用通配符的形式来代替文件，来对数据文件夹进行整体读取。但是后面设置的分区数2也是可以去除的。因为一个文件没有达到128m，所以上面的一个文件一个partition，一共是20个。

7、采用通配符，来读取多个文件名类似的文件

比如读取如下文件的people1.txt和people2.txt,但google.txt不读取

for (i <- 1 to 2){
      val rdd1 = sc.textFile(s"/root/application/temp/people$i*",2)
    }

8、采用通配符读取相同后缀的文件

val path = "/usr/local/spark/spark-1.6.0-bin-hadoop2.6/data/*/*.txt"  //local file
val rdd1 = sc.textFile(path,2)

9、从HDFS读取一个文件

val path = "hdfs://master:9000/examples/examples/src/main/resources/people.txt"
val rdd1 = sc.textFile(path,2)

从HDFS中读取文件的形式和本地上一样，只是前面的路径要表明是HDFS中的

Spark---WC---Spark从外部读取数据之textFile

猜你喜欢