大数据

标题: Spark MultipleOutputs解决方案 [打印本页]

作者: Zeng 时间: 2016-2-19 11:21
标题: Spark MultipleOutputs解决方案
在目前Spark版本中，对MultipleOutputs的支持不够到位，不方便将数据集保存到不同路径下。估计大家已经翻阅下面Stackoverflow链接n遍：
Write to multiple outputs by key Spark - one Spark job
根据这个链接文档，可以解决好Text File的多路保存，但如果你的需求是生成Sequence File或者Parquet File，这里提供的方法就难以解决，其主要问题在于value数据集难以按记录分开保存为<null value>格式。
下面链接对MultipleOutputs问题做了更多的探讨：
Writing to multiple outputs in Spark

其实，传统hadoop是可以正常处理文件的多路输出，但要在Spark中使用，需要进行包装。下面链接提供了一个非常好的参考实现，但要根据自己的业务需求进行调整和改进（如果你有疑问，可以回复本帖）：
Wrapping OutputFormat to produce multiple outputs with hadoop MultipleOutputs

欢迎光临大数据 (http://bigbase.cn/)