如何将火花流应用程序的输出写入单个文件

Question

我正在使用火花流从 Kafka 读取数据并传递到 py 文件进行预测。它返回预测以及原始数据。它将原始数据及其预测保存到文件中，但是它为每个 RDD 创建了一个文件。我需要一个由收集到的所有数据组成的单个文件，直到我停止将程序保存到单个文件中。

我试过 writeStream 它甚至不创建单个文件。我尝试使用 append 将它保存到 parquet，但它创建了多个文件，每个 RDD 为 1。我试图用追加模式写多个文件作为输出。下面的代码创建一个文件夹 output.csv 并将所有文件输入其中。

 def main(args: Array[String]): Unit = {
    val ss = SparkSession.builder()
      .appName("consumer")
      .master("local[*]")
      .getOrCreate()

    val scc = new StreamingContext(ss.sparkContext, Seconds(2))


    val kafkaParams = Map[String, Object](
        "bootstrap.servers" -> "localhost:9092",
        "key.deserializer"-> 
"org.apache.kafka.common.serialization.StringDeserializer",
        "value.deserializer"> 
"org.apache.kafka.common.serialization.StringDeserializer",
        "group.id"-> "group5" // clients can take
      )
mappedData.foreachRDD(
      x =>
    x.map(y =>       
ss.sparkContext.makeRDD(List(y)).pipe(pyPath).toDF().repartition(1)
.write.format("csv").mode("append").option("truncate","false")
.save("output.csv")
          )
    )
scc.start()
scc.awaitTermination()

我只需要获取 1 个文件，其中包含流式传输时收集的所有语句。

任何帮助将不胜感激，谢谢您的期待。

Answer 1

写入后，您无法修改 hdfs 中的任何文件。如果您希望实时写入文件（每 2 秒将来自流作业的数据块附加到同一文件中），则不允许这样做，因为 hdfs 文件是不可变的。如果可能，我建议您尝试编写一个读取多个文件的读取逻辑。

但是，如果您必须从单个文件中读取，我建议在您将输出写入单个 csv/parquet 文件夹后，使用“Append” SaveMode（它将为您每次写入的每个块创建部分文件）中的任何一种2 秒）。

1. 您可以在此文件夹的顶部创建一个 hive 表，从该表中读取数据。

2. 您可以在 spark 中编写一个简单的逻辑来读取包含多个文件的此文件夹，并使用 reparation(1) 或 coalesce(1) 将其作为单个文件写入另一个 hdfs 位置，然后从该位置读取数据。见下文：

   spark.read.csv("oldLocation").coalesce(1).write.csv("newLocation")