- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我想从 Spark RDD 中暂存 JSON 数据并将其存档到 AWS S3。只有压缩它才有意义,我有一个使用 hadoop 的 GzipCodec
的进程。 ,但有些事情让我对此感到紧张。
当我查看 org.apache.spark.rdd.RDD.saveAsTextFile
的类型签名时这里:
https://spark.apache.org/docs/2.3.0/api/scala/index.html#org.apache.spark.rdd.RDD
类型签名是:
def saveAsTextFile(path: String, codec: Class[_ <: CompressionCodec]): Unit
但是当我在这里检查可用的压缩编解码器时:
https://spark.apache.org/docs/2.3.0/api/scala/index.html#org.apache.spark.io.CompressionCodec
父特征 CompressionCodec
和子类型都说:
The wire protocol for a codec is not guaranteed compatible across versions of Spark. This is intended for use as an internal compression utility within a single Spark application
这不好……但没关系,因为 gzip 可能更容易跨生态系统处理。
类型签名表明编解码器必须是 CompressionCodec
的子类型...但我尝试了以下方法来保存为 .gz,它工作正常,即使 hadoop 的 GzipCodec 不是 <: CompressionCodec
.
import org.apache.hadoop.io.compress.GzipCodec
rdd.saveAsTextFile(bucketName, classOf[GzipCodec])
我的问题:
最佳答案
好吧,对于初学者来说,你是绑定(bind)到 RDD 还是可以使用 DataSets/DataFrames?
对于DataFrames,你可以使用像
这样的东西 df.write.format("json").
option("compression", "org.apache.hadoop.io.compress.GzipCodec").
save("...")
但是,有一些注意事项。压缩效果很好,但如果你的文件生成非常大,你必须记住 gzip 不是可拆分的格式,也就是说,如果您想稍后处理该文件,则必须由一名工作人员读取。例如,如果您的文件是不可拆分的并且是 1G,则需要 T 时间来处理,如果它是可拆分的(如 LZO、Snappy 或 BZip2),则可以在 T/N 中处理,其中 N 是拆分次数(假设 128MB block ,那将是大约 8 个)。这就是 Hadoop 使用 SequenceFiles(可拆分,并在一个 block 内使用 gzip)的原因,这就是为什么存储到 S3 时选择的压缩格式通常是 Parquet。 Parquet 文件比 Gzipped 文件小,并且是可分割的,也就是说,它的内容可以由多个 worker 处理。您仍然可以使用 gzipped 文本文件,但将它们保持在 ~100/200MB 范围内。
归根结底,这实际上取决于您打算如何处理 S3 中的数据。
会被查询吗?在这种情况下,Parquet 是更好的格式选择。
它会被读取/复制到其他不理解 parquet 的系统吗?然后gzip压缩就ok了。而且它很稳定,您不必担心它会发生变化。您可以自己尝试,在 S3 上保存一些示例数据,您仍然可以使用任何 gzip 工具打开它。
关于json - 从 spark 中保存压缩的 json,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52340252/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!