- 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
我在使用 Spark Streaming API 时遇到以下问题。我目前正在通过 Flume 将输入数据流式传输到 Spark Streaming,我计划用它对数据进行一些预处理。然后,我想把数据保存到Hadoop的文件系统中,用Impala查询。但是,Spark 将数据文件写入单独的目录,并为每个 RDD 生成一个新目录。
这是一个问题,因为首先,Impala 中的外部表无法检测到子目录,只能检测到它们指向的目录内的文件,除非已分区。其次,Spark 添加新目录的速度如此之快,以至于在 Impala 中为每个生成的目录定期创建一个新分区对性能来说非常糟糕。另一方面,如果我选择增加 Spark 中写入的滚动间隔,这样目录的生成频率就会降低,那么在 Impala 可以读取传入数据之前会有额外的延迟。这是 Not Acceptable ,因为我的系统必须支持实时应用程序。在 Hive 中,我可以通过使用这些设置配置外部表来检测子目录而无需分区:
set hive.mapred.supports.subdirectories=true;
set mapred.input.dir.recursive=true;
但据我了解,Impala 没有这样的功能。
我目前正在使用以下代码从 Flume 读取数据并将其写入 HDFS:
val stream = FlumeUtils.createStream(ssc, host, port, StorageLevel.MEMORY_ONLY_SER_2)
stream.map(event => new String(event.event.getBody().array(), Charset.forName("UTF-8"))).saveAsTextFiles(path)
这里,变量路径决定了目录的前缀,文本文件(part-0000等)被添加到目录中,目录名的其余部分是Spark生成的时间戳。我可以将代码更改为如下所示:
val stream = FlumeUtils.createStream(ssc, host, port, StorageLevel.MEMORY_ONLY_SER_2)
val mapStream = stream.map(event => new String(event.event.getBody().array(), Charset.forName("UTF-8")))
mapStream.foreachRDD(rdd => rdd.saveAsTextFile(path))
在这种情况下,文件将被添加到由路径确定的相同目录,但由于它们总是被命名为 part-00000、part-00001、part-00002 等,之前生成的文件将被覆盖。在检查 Spark 的源代码时,我注意到文件的名称是由 SparkHadoopWriter 的 open() 方法中的一行确定的:
val outputName = "part-" + numfmt.format(splitID)
在我看来,没有办法通过 Spark API 来操作 splitID。总而言之,我的问题如下:
最佳答案
我不能代表 Impala。
part-xxxxx 是 Spark 遵循的 hadoop 约定。大多数工具都理解这种格式,我猜想 Spark 对此无能为力。零件文件需要是唯一的,在文件名后附加分区号是一种常用技术。
我会在 Impala 中查看如何读取部分文件,因为大多数 hadoop 工具都是以这种方式生成的。
如果有人想自定义目录结构 - 尽管这不是您的问题 - 可以很容易地实现,比如更改 prefix-timestamp-suffix
格式。 Spark Steaming 在底层使用 Spark 的 RDD.saveAsTextFiles(..)
,它可以被定制。这是来自 DStream.scala 的代码:
def saveAsTextFiles(prefix: String, suffix: String = "") {
val saveFunc = (rdd: RDD[T], time: Time) => {
val file = rddToFileName(prefix, suffix, time)
rdd.saveAsTextFile(file)
}
this.foreachRDD(saveFunc)
}
关于apache-spark - 如何让 Spark Streaming 写入它的输出以便 Impala 可以读取它?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24204656/
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!