scala - 如何在 foreachPartition 中使用 SQLContext 和 SparkContext

Question

我想在 foreachPartition 中使用 SparkContext 和 SQLContext ，但由于序列化错误而无法执行。我知道这两个对象都不可序列化，但我认为 foreachPartition在 master 上执行，其中 Spark Context 和 SQLContext 都可用。

符号:

`msg -> Map[String,String]`
`result -> Iterable[Seq[Row]]`

这是我当前的代码(UtilsDM 是 extends Serializable 的对象)。失败的代码部分从 val schema =...开始，我想写的地方 result到 DataFrame然后将其保存到 Parquet。也许我组织代码的方式效率低下，那么我想在这里提供您的建议。谢谢。

// Here I am creating df from parquet file on S3
val exists = FileSystem.get(new URI("s3n://" + bucketNameCode), sc.hadoopConfiguration).exists(new Path("s3n://" + bucketNameCode + "/" + pathToSentMessages))
var df: DataFrame = null
if (exists) {
  df = sqlContext
    .read.parquet("s3n://bucket/pathToParquetFile")
}
UtilsDM.setDF(df)

// Here I process myDStream
myDStream.foreachRDD(rdd => {
  rdd.foreachPartition{iter =>
    val r = new RedisClient(UtilsDM.getHost, UtilsDM.getPort)
    val producer = UtilsDM.createProducer
    var df = UtilsDM.getDF
    val result = iter.map{ msg =>
        // ... 
        Seq(msg("key"),msg("value"))
    }

    // HERE I WANT TO WRITE result TO S3, BUT IT FAILS
    val schema = StructType(
                    StructField("key", StringType, true) ::
                    StructField("value", StringType, true)

    result.foreach { row =>
       val rdd = sc.makeRDD(row)
       val df2 = sqlContext.createDataFrame(rdd, schema)

       // If the parquet file is not created, then create it
       var df_final: DataFrame = null
       if (df != null) {
          df_final = df.unionAll(df2)
       } else {
          df_final = df2
       }
       df_final.write.parquet("s3n://bucket/pathToSentMessages)
}
  }
})

编辑:

我使用的是 Spark 1.6.2 和 Scala 2.10.6。

Answer 1

这不可能。 SparkContext , SQLContext和 SparkSession只能在驱动程序上使用。您可以在 foreachRDD 的顶层使用 sqlContext :

 myDStream.foreachRDD(rdd => {
     val df = sqlContext.createDataFrame(rdd, schema)
     ... 
 })

你不能在转换/ Action 中使用它:

myDStream.foreachRDD(rdd => {
     rdd.foreach { 
        val df = sqlContext.createDataFrame(...)
        ... 
     }
 })

你可能想要相当于:

myDStream.foreachRDD(rdd => {
   val foo = rdd.mapPartitions(iter => doSomethingWithRedisClient(iter))
   val df = sqlContext.createDataFrame(foo, schema)
   df.write.parquet("s3n://bucket/pathToSentMessages)
})