我正在尝试将一个巨大的RDD转换为镶木地板格式的kafka消息,并使用spark streaming保存在HDFS中。它是一个系统日志消息,比如每行中的name1 = value1 | name2 = value2 | name3 = value3,关于如何在火花流中实现这一点的任何指针?
答案 0 :(得分:2)
只要您拥有RDD
架构,就可以将DataFrame
保存到镶木地板,而无需转换为avro
这是一个示例函数:
public <T> void save(JavaRDD<T> rdd, Class<T> clazz, Time timeStamp, Schema schema, String path) throws IOException {
Job job = Job.getInstance();
ParquetOutputFormat.setWriteSupportClass(job, AvroWriteSupport.class);
AvroParquetOutputFormat.setSchema(job, schema);
LazyOutputFormat.setOutputFormatClass(job, new ParquetOutputFormat<T>().getClass());
job.getConfiguration().set("mapreduce.fileoutputcommitter.marksuccessfuljobs", "false");
job.getConfiguration().set("parquet.enable.summary-metadata", "false");
//save the file
rdd.mapToPair(me -> new Tuple2(null, me))
.saveAsNewAPIHadoopFile(
String.format("%s/%s", path, timeStamp.milliseconds()),
Void.class,
clazz,
LazyOutputFormat.class,
job.getConfiguration());
}
答案 1 :(得分:1)