Question

我正在计算每个窗口中的值并找到最高值，并希望仅将每个窗口的前10个常用值保存到hdfs而不是所有值。

eegStreams(a) = KafkaUtils.createStream(ssc, zkQuorum, group, Map(args(a) -> 1),StorageLevel.MEMORY_AND_DISK_SER).map(_._2)
    val counts = eegStreams(a).map(x => (math.round(x.toDouble), 1)).reduceByKeyAndWindow(_ + _, _ - _, Seconds(4), Seconds(4))
    val sortedCounts = counts.map(_.swap).transform(rdd => rdd.sortByKey(false)).map(_.swap)
    ssc.sparkContext.parallelize(rdd.take(10)).saveAsTextFile("hdfs://ec2-23-21-113-136.compute-1.amazonaws.com:9000/user/hduser/output/" + (a+1))}      


    //sortedCounts.foreachRDD(rdd =>println("\nTop 10 amplitudes:\n" + rdd.take(10).mkString("\n")))
    sortedCounts.map(tuple => "%s,%s".format(tuple._1, tuple._2)).saveAsTextFiles("hdfs://ec2-23-21-113-136.compute-1.amazonaws.com:9000/user/hduser/output/" + (a+1))

我可以打印前10名（评论）。

我也试过

sortedCounts.foreachRDD{ rdd => ssc.sparkContext.parallelize(rdd.take(10)).saveAsTextFile("hdfs://ec2-23-21-113-136.compute-1.amazonaws.com:9000/user/hduser/output/" + (a+1))}

但是我收到以下错误。我的数组不可序列化

15/01/05 17:12:23 ERROR actor.OneForOneStrategy： org.apache.spark.streaming.StreamingContext java.io.NotSerializableException： org.apache.spark.streaming.StreamingContext

Answer 1

你能试试吗？

sortedCounts.foreachRDD(rdd => rdd.filterWith(ind => ind)((v, ind) => ind <= 10).saveAsTextFile(...))

注意：我没有测试该片段......

Answer 2

你的第一个版本应该可行。只需声明首先创建流式上下文的@transient ssc = ...。

第二个版本无法工作b / c StreamingContext无法在闭包中序列化。

将部分spark DStream窗口保存到HDFS

2 个答案: