python - 在 Apache Spark 中指定输出文件名

Question

我有一个 MapReduce 作业，我正尝试将其迁移到 PySpark。有没有办法定义输出文件的名称，而不是获取 part-xxxxx？

在 MR 中，我使用 org.apache.hadoop.mapred.lib.MultipleTextOutputFormat 类来实现这一点，

PS:我确实尝试了 saveAsTextFile() 方法。例如:

lines = sc.textFile(filesToProcessStr)
counts = lines.flatMap(lambda x: re.split('[\s&]', x.strip()))\
.saveAsTextFile("/user/itsjeevs/mymr-output")

这将创建相同的 part-0000 文件。

[13:46:25] [spark] $ hadoop fs -ls /user/itsjeevs/mymr-output/
Found 3 items
-rw-r-----   2 itsjeevs itsjeevs          0 2014-08-13 13:46 /user/itsjeevs/mymr-output/_SUCCESS
-rw-r--r--   2 itsjeevs itsjeevs  101819636 2014-08-13 13:46 /user/itsjeevs/mymr-output/part-00000
-rw-r--r--   2 itsjeevs itsjeevs   17682682 2014-08-13 13:46 /user/itsjeevs/mymr-output/part-00001

编辑

最近阅读the article这将使 Spark 用户的生活更加轻松。

Answer 1

Spark 还在后台使用 Hadoop，因此您可能会得到想要的东西。 saveAsTextFile 是这样实现的:

def saveAsTextFile(path: String) {
  this.map(x => (NullWritable.get(), new Text(x.toString)))
    .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
}

您可以将自定义的 OutputFormat 传递给 saveAsHadoopFile。我不知道如何从 Python 中做到这一点。抱歉回答不完整。