文章目录
- 保存为sequenceFile
- 保存到HDFS
- 保存到mysql
保存为sequenceFile
package write
import org.apache.hadoop.io.compress.GzipCodec
import org.apache.spark.{SparkConf, SparkContext}
object saveToSeq {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[*]")
.setAppName("saveToSeq")
val sc = new SparkContext(conf)
val data = List(("name", "xiaoming"), ("age", "18"))
val rddData = sc.parallelize(data, 1)
rddData.saveAsSequenceFile("D:\\studyplace\\sparkBook\\chapter4\\result\\1",Some(classOf[GzipCodec]))
}
}
其中saveAsSequenceFile的api第一个参数是保存文件路径,第二个参数是设置压缩方式
对于ClassOf[xxxCodec]对象必须封装在Option集合中再传入SequenceFile方法中,在scala中Option的两个实例为Some集合和None集合,后者代表没有任何元素
在压缩方式中,GzipCodec的压缩比率较高,磁盘不足可以使用这个方式,虽然Bzip压缩率更高,但对于频繁读写场景不适用
保存到HDFS
- saveAsTextFile
本质上调用了saveAsHadoopFile方法 - saveAsHadoopFile
对URI进行判断,以file:/// 将数据保存到本地文件系统中,如果schema是hdfs://将数据写到hdfs文件中
saveAsHadoopFile方法中,默认调用的是TextOutputFormat实现类作为输出数据的格式化工具
import org.apache.hadoop.io.{IntWritable, Text}
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat
import org.apache.spark.{SparkConf, SparkContext}
object saveTohadoop {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("saveTohadoop").setMaster("local[*]")
val sc = new SparkContext(conf)
val rddData = sc.parallelize(List(("cat",20),("dog",29),("pig",11)),1)
rddData.saveAsNewAPIHadoopFile("路径",classOf[Text],classOf[IntWritable],classOf[TextOutputFormat[Text,IntWritable]])
sc.stop()
}
}
保存到mysql
package write
import java.sql.DriverManager
import org.apache.spark.{SparkConf, SparkContext}
object saveToMySQL {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[*]").setAppName("saveToMySQL")
val sc = new SparkContext(conf)
Class.forName("com.mysql.jdbc.Driver")
val rddData = sc.parallelize(List(("tom",11),("jettty",19)))
rddData.foreachPartition((iter:Iterator[(String,Int)]) => {
val conn = DriverManager.getConnection("jdbc:mysql://localhost:3306/spark?useUnicode=true&characterEncoding=utf-8","root","123456")
conn.setAutoCommit(false)
val statement = conn.prepareStatement("insert into spark.person (name,age) VALUES (?,?);")
iter.foreach( t => {
statement.setString(1,t._1)
statement.setInt(2,t._2)
statement.addBatch()
})
statement.executeBatch()
conn.commit()
conn.close()
})
sc.stop()
}
}
保存数据的时候使用foreachPartition方法遍历RDD的每一个分区
注意:
DriverManager.getConnection 需要移到foreaPartition内部
conn.setAutoCommit(false) 关闭自动提交,对于大数据量批量操作更合适