Spark中的数据读取保存和累加器实例详解

数据读取与保存

Text文件

对于 Text文件的读取和保存，其语法和实现是最简单的，因此我只是简单叙述一下这部分相关知识点，大家可以结合demo具体分析记忆。

1）基本语法

（1）数据读取：textFile(String)

（2）数据保存：saveAsTextFile(String)

2）实现代码demo如下：

object Operate_Text {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称
val conf: SparkConf = new SparkConf().setAppName(\”SparkCoreTest\”).setMaster(\”local[1]\”)
//2.创建SparkContext，该对象是提交Spark App的入口
val sc: SparkContext = new SparkContext(conf)
//3.1 读取输入文件
val inputRDD: RDD[String] = sc.textFile(\”input/demo.txt\”)
//3.2 保存数据
inputRDD.saveAsTextFile(\”textFile\”)
//4.关闭连接
sc.stop()
}
}

Sequence文件

SequenceFile文件是Hadoop中用来存储二进制形式的 key-value对的一种平面文件(Flat File)。在SparkContext中，可以通过调用 sequenceFile[ keyClass,valueClass ] (path) 来调用。

1）基本语法

（1）数据读取：sequenceFile[ keyClass, valueClass ] (path)
（2）数据保存：saveAsSequenceFile(String)

2）实现代码demo如下：

object Operate_Sequence {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称
val conf: SparkConf = new SparkConf().setAppName(\”SparkCoreTest\”).setMaster(\”local[1]\”)
//2.创建SparkContext，该对象是提交Spark App的入口
val sc: SparkContext = new SparkContext(conf)
//3.1 创建rdd
val dataRDD: RDD[(Int, Int)] = sc.makeRDD(Array((1,2,3),(4,5,6),(7,8,9)))
//3.2 保存数据为SequenceFile
dataRDD.saveAsSequenceFile(\”seqFile\”)
//3.3 读取SequenceFile文件
sc.sequenceFile[Int,Int](\”seqFile\”).collect().foreach(println)
//4.关闭连接
sc.stop()
}
}

Object对象文件

对象文件是将对象序列化后保存的文件，采用Hadoop的序列化机制。可以通过 objectFile[ k , v ] (path) 函数接收一个路径，读取对象文件，返回对应的RDD，也可以通过调用 saveAsObjectFile() 实现对对象文件的输出。因为要序列化所以要指定类型。

1）基本语法

（1）数据读取：objectFile[ k , v ] (path)
（2）数据保存：saveAsObjectFile(String)

2）实现代码demo如下：

object Operate_Object {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称
val conf: SparkConf = new SparkConf().setAppName(\”SparkCoreTest\”).setMaster(\”local[1]\”)
//2.创建SparkContext，该对象是提交Spark App的入口
val sc: SparkContext = new SparkContext(conf)
//3.1 创建RDD
val dataRDD: RDD[Int] = sc.makeRDD(Array(1,2,3,4,5,6),2)
//3.2 保存数据
dataRDD.saveAsObjectFile(\”objFile\”)
//3.3 读取数据
sc.objectFile[Int](\”objFile\”).collect().foreach(println)
//4.关闭连接
sc.stop()
}
}

累加器

累加器概念

累加器，是一种变量—分布式共享只写变量。仅支持“add”，支持并发，但Executor和Executor之间不能读数据，可实现所有分片处理时更新共享变量的功能。

累加器用来把Executor端变量信息聚合到Driver端。在Driver中定义的一个变量，在Executor端的每个task都会得到这个变量的一份新的副本，每个task更新这些副本的值后，传回Driver端进行合并计算。

系统累加器

1）累加器定义（SparkContext.accumulator(initialValue)方法）

val sum: LongAccumulator = sc.longAccumulator("sum")

2）累加器添加数据（累加器.add方法）

sum.add(count)

3）累加器获取数据（累加器.value）

sum.value

注意：Executor端的任务不能读取累加器的值（例如：在Executor端调用sum.value，获取的值不是累加器最终的值）。因此我们说，累加器是一个分布式共享只写变量。

4）累加器要放在行动算子中

因为转换算子执行的次数取决于job的数量，如果一个 spark应用有多个行动算子，那么转换算子中的累加器可能会发生不止一次更新，导致结果错误。所以，如果想要一个无论在失败还是重复计算时都绝对可靠的累加器，必须把它放在foreach()这样的行动算子中。

5) 代码实现：

object accumulator_system {
package com.atguigu.cache
import org.apache.spark.rdd.RDD
import org.apache.spark.util.LongAccumulator
import org.apache.spark.{SparkConf, SparkContext}
object accumulator_system {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName(\”SparkCoreTest\”).setMaster(\”local[*]\”)
val sc = new SparkContext(conf)
val dataRDD: RDD[(String, Int)] = sc.makeRDD(List((\”a\”, 1), (\”a\”, 2), (\”a\”, 3), (\”a\”, 4)))
//需求:统计a出现的所有次数 (\”a\”,10)
//普通算子实现 reduceByKey 代码会走shuffle 效率低
val rdd: RDD[(String, Int)] = dataRDD.reduceByKey(_ + _)
//累加器实现
//1 声明累加器
val accSum: LongAccumulator = sc.longAccumulator(\”sum\”)
dataRDD.foreach{
case (a,count) => {
//2 使用累加器累加累加器.add()
accSum.add(count)
// 4 不在executor端获取累加器的值,因为得到的值不准确，所以累加器叫分布式共享只写变量
//println(\”sum = \” + accSum.value)
}
}
//3 获取累加器的值累加器.value
println((\”a\”,accSum.value))
sc.stop()
}
}