Spark把RDD数据保存到一个单个文件中

Spark是当前最流行的分布式数据处理框架之一，相比于Hadoop，Spark在数据的处理方面更加灵活方便。然而在最近的使用中遇到了一点小麻烦：Spark保存文件的的函数（如saveAsTextFile）在保存数据时都需要新建一个目录，然后在这个目录下分块保存文件。如果我们想在原有的目录下增加一个文件（而不是增加一个目录），Spark就无能为力了。

有网友给出建议，用

rddx.repartition(1).saveAsTextFile("test/test.txt")
rddx.coalesce(1).saveAsTextFile("test/test.txt")

把数据合并到一个分区中，然而得到的结果是这样的：

$ ./bin/hadoop fs -du -h test/test.txt
0        test/test.txt/_SUCCESS
499.9 M  test/test.txt/part-00000

Spark仍然是新建了一个目录test.txt，然后在这个目录下把数据都保存在了part-00000文件中。

Spark的保存模式的设定注定了在保存数据的时候只能新建目录，如果想把数据增加到原有的目录中，单独作为一个文件，就只能借助于Hadoop的HDFS操作。下面的例子演示如何用Hadoop的FileSystem实现在已有目录下用一个文件保存Spark数据：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hdfs.web.resources.ExceptionHandler;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import java.io.*;
import java.net.URI;
/**
* 使用Hadoop的FileSystem把数据写入到HDFS
*/
public class HdfsOperate implements Serializable{

private static Logger logger = LoggerFactory.getLogger(HdfsOperate.class);
private static Configuration conf = new Configuration();
private static BufferedWriter writer = null;

//在hdfs的目标位置新建一个文件，得到一个输出流
public static void openHdfsFile(String path) throws Exception {
FileSystem fs = FileSystem.get(URI.create(path),conf);
writer = new BufferedWriter(new OutputStreamWriter(fs.create(new Path(path))));
if(null!=writer){
logger.info("[HdfsOperate]>> initialize writer succeed!");
}
}

//往hdfs文件中写入数据
public static void writeString(String line) {
try {
writer.write(line + "\n");
}catch(Exception e){
logger.error("[HdfsOperate]>> writer a line error:"  ,  e);
}
}

//关闭hdfs输出流
public static void closeHdfsFile() {
try {
if (null != writer) {
writer.close();
logger.info("[HdfsOperate]>> closeHdfsFile close writer succeed!");
}
else{
logger.error("[HdfsOperate]>> closeHdfsFile writer is null");
}
}catch(Exception e){
logger.error("[HdfsOperate]>> closeHdfsFile close hdfs error:" + e);
}
}

}

在Spark中处理并保存数据：

import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import hdfsoperate.HdfsOperate;
import org.apache.spark.Partition;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.VoidFunction;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import util.NlpModuleWrapper;

import java.io.Serializable;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Iterator;
import java.util.List;

/**
* 调用HdfsOperate类的方法把RDD数据保存到Hdfs上
*/
public class FeatureExtractor implements Serializable {
private static Logger logger = LoggerFactory.getLogger(FeatureExtractor.class);

public void extractFeature(JavaSparkContext sc, int repartitionNum) throws Exception {
String hdfsPath = "test/corpus/2016-09-02"; //存放原始数据的文件
//Spark可以读取单独的一个文件或整个目录
JavaRDD<String> rddx = sc.textFile(hdfsPath).repartition(repartitionNum);
rddx = rddx.map(new ExtractFeatureMap());

//写入hdfs文件位置
String destinationPath = "test/result/2016-09-02" ;
//创建Hdfs文件，打开Hdfs输出流
HdfsOperate.openHdfsFile(destinationPath);

//分块读取RDD数据并保存到hdfs
//如果直接用collect()函数获取List<String>，可能因数据量过大超过内存空间而失败
for (int i = 0; i < repartitionNum; i++) {
int[] index = new int[1];
index[0] = i;
List<String>[] featureList = rddx.collectPartitions(index);
if (featureList.length != 1) {
logger.error("[FeatureExtractor]>> featureList.length is not 1!");
}
for (String str : featureList[0]) {
//写一行到Hdfs文件
HdfsOperate.writeString(str);
}
}
//关闭Hdfs输出流
HdfsOperate.closeHdfsFile();

}

class ExtractFeatureMap implements Function<String, String> {
@Override
public String call(String line) throws Exception {
try {
//TODO:你自己的操作，返回String类型
} catch (Exception e) {
logger.error("[FeatureExtractor]>>GetTokenAndKeywordFeature error:", e);
}
return null;
}
}

}

（PS：目前还没有看到过单用Spark接口能实现该功能，有知道的大神欢迎指点）