在生产环境中遇到了这种情况:spark程序需要处理输入是多个目录,输出也是多个目录。但是处理的逻辑都是相同的。
使用方法经历多次修改,最终成功完成任务。其中涉及到spark多job提交和spark多个目录同时处理,在此记录一下。
使用方法经历多次修改,最终成功完成任务。其中涉及到spark多job提交和spark多个目录同时处理,在此记录一下。
程序中所有异常处理,建议都在函数里面处理好,不要直接写一些处理代码。这样的话直接调用函数就行。
方法一:for直接上
典型的:减少使用资源,拉长运行时间
代码
递进程序
val sparkSession= SparkSession.builder().master("local").appName("AppName").getOrCreate()
val dataArray = "10450013、3593084 、13568083、32456733、78783125、5689865、23459806".split("、")
for(index <- dataArray){
val path = "/data/"+index
sparkSession.read.json(path).//逻辑代码
}
优点
1.使用最少的资源
2.前后有依赖的任务适合
缺点
1.运行时间最长
方法二:多个job同时运行
使用多倍的资源,减少运行的时间。这种方法在sparkUI界面上看是同时有多个job在运行的。
代码
递进程序
val sparkSession= SparkSession.builder().master("local").appName("AppName").getOrCreate()
val dataArray = "10450013、3593084 、13568083、32456733、78783125、5689865、23459806".split("、")
val executorService = Executors.newFixedThreadPool(5)
优点
1.运行时间是方法一的1/N。
缺点
1.使用的资源是方法一的N倍。
2.没有办法确定运行结束的顺序
3.前后有依赖的任务不适合
方法三:partationby函数
生成的目录是根据
partitionBy("colmn")的值确定的,也可以写多个partitionBy("colmn"),这样就生成了多级目录
代码
val dataArray = "10450013、3593084 、13568083、32456733、78783125、5689865、23459806".split("、")
sparkSession.read.json(dataArray.map(x=>("/data/"+x)):_*)
.write.partitionBy("colmn").csv("")
使用范围
最好能确定多个文件之间的大小差不多,要不然容易文件倾斜。