读取驱动程序

Question

我发送一个Spark作业，通过运行

在远程集群上运行

spark-submit ... --deploy-mode cluster --files some.properties ...

我想通过驱动程序代码读取some.properties文件的内容，即在创建Spark上下文和启动RDD任务之前。该文件将复制到远程驱动程序，但不会复制到驱动程序的工作目录。

我所知道的解决这个问题的方法是：

1. 将文件上传到HDFS
2. 将文件存储在app jar
中

两者都不方便，因为在提交开发机器上经常更改此文件。

有没有办法在驱动程序代码main方法中读取使用--files标志上传的文件？

Answer 1

是的，您可以访问通过--files参数上传的文件。

这就是我能够访问通过--files传入的文件的方式：

./bin/spark-submit \
--class com.MyClass \
--master yarn-cluster \
--files /path/to/some/file.ext \
--jars lib/datanucleus-api-jdo-3.2.6.jar,lib/datanucleus-rdbms-3.2.9.jar,lib/datanucleus-core-3.2.10.jar \
/path/to/app.jar file.ext

并在我的Spark代码中：

val filename = args(0)
val linecount = Source.fromFile(filename).getLines.size

我相信这些文件会被下载到放置jar的同一目录中的worker上，这就是为什么只是传递文件名而不是Source.fromFile的绝对路径。

Answer 2

经过调查，我找到了解决上述问题的一种方法。在Spark提交期间发送 any.properties 配置，并在SparkSession初始化之前和之后由Spark驱动程序使用。希望对您有帮助。

any.properties

spark.key=value
spark.app.name=MyApp

SparkTest.java

import com.typesafe.config.Config;
import com.typesafe.config.ConfigFactory;

public class SparkTest{

  public Static void main(String[] args){

    String warehouseLocation = new File("spark-warehouse").getAbsolutePath();

    Config conf = loadConf();
    System.out.println(conf.getString("spark.key"));

    // Initialize SparkContext and use configuration from properties
    SparkConf sparkConf = new SparkConf(true).setAppName(conf.getString("spark.app.name"));

    SparkSession sparkSession = 
    SparkSession.builder().config(sparkConf).config("spark.sql.warehouse.dir", warehouseLocation)
                .enableHiveSupport().getOrCreate();

    JavaSparkContext javaSparkContext = new JavaSparkContext(sparkSession.sparkContext());

  }


  public static Config loadConf() {

      String configFileName = "any.properties";
      System.out.println(configFileName);
      Config configs = ConfigFactory.load(ConfigFactory.parseFile(new java.io.File(configFileName)));
      System.out.println(configs.getString("spark.key")); // get value from properties file
      return configs;
   }
}

火花提交：

spark-submit --class SparkTest --master yarn --deploy-mode client --files any.properties,yy-site.xml --jars ...........

Answer 3

--files和--archives选项支持使用与Hadoop类似的＃指定文件名。例如，您可以指定：--files localtest.txt＃appSees.txt，这会将您在本地命名为localtest.txt的文件上传到HDFS，但这将通过名称appSees.txt链接，您的应用程序应使用命名为appSees.txt，以便在YARN上运行时引用它。

这适用于纱线/客户端和纱线/群集模式下的火花流应用。也许可以帮到你

Answer 4

这是我在Python Spark中开发的一个很好的解决方案，可以将任何数据作为文件从外部集成到大数据平台。

玩得开心。

# Load from the Spark driver any local text file and return a RDD (really useful in YARN mode to integrate new data at the fly)
# (See https://community.hortonworks.com/questions/38482/loading-local-file-to-apache-spark.html)
def parallelizeTextFileToRDD(sparkContext, localTextFilePath, splitChar):
    localTextFilePath = localTextFilePath.strip(' ')
    if (localTextFilePath.startswith("file://")):
        localTextFilePath = localTextFilePath[7:]
    import subprocess
    dataBytes = subprocess.check_output("cat " + localTextFilePath, shell=True)
    textRDD = sparkContext.parallelize(dataBytes.split(splitChar))
    return textRDD

# Usage example
myRDD = parallelizeTextFileToRDD(sc, '~/myTextFile.txt', '\n') # Load my local file as a RDD
myRDD.saveAsTextFile('/user/foo/myTextFile') # Store my data to HDFS

Answer 5

解决问题的方法是，只需调用SparkContext即可创建临时SparkContext.getOrCreate()，然后在--files的帮助下阅读SparkFiles.get('FILE')中传递的文件}。

阅读文件后，检索SparkConf()变量中所需的所有必要配置。

之后调用此函数：

SparkContext.stop(SparkContext.getOrCreate())

这将破坏现有的SparkContext，而不是在下一行中使用必要的配置来初始化新的SparkContext。

sc = SparkContext(conf=conf).getOrCreate()

您自己拥有所需设置的SparkContext

Answer 6

使用spark-submit --help，将发现此选项仅适用于执行程序的工作目录而不是驱动程序。

--files FILES: Comma-separated list of files to be placed in the working directory of each executor.

Answer 7

在pyspark中，我发现轻松实现这一目标真的很有趣，首先要安排您的工作目录，如下所示：

/path/to/your/workdir/
|--code.py
|--file.txt

，然后在您的code.py主函数中，照常读取文件：

if __name__ == "__main__":
    content = open("./file.txt").read()

然后提交，无需进行以下任何特定配置：

spark-submit code.py

它运行正常，这让我感到惊讶。我想提交过程将所有文件和子目录文件全部存档，然后将它们发送到pyspark中的驱动程序，而您应该自己在scala版本中存档它们。顺便说一句，-files和--archives选项都在工作程序中而不是在驱动程序中工作，这意味着您只能在RDD转换或操作中访问这些文件。