scala - 如何在spark中为diff文件名调用单独的逻辑

Question

我的文件夹中有 3 个日志文件。 喜欢

foldera = emplog,deptlog,companylog
folderb = emplog,deptlog,companylog
folderc = emplog,deptlog,companylog

我有 3 个 diff scala 程序文件来从每个文件中提取数据。

employee.scala
department.scala
companylog.scala

每个代码都如下所示。

我想组合所有这些文件并以并行方式执行它们。

   package com.sample
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD.rddToPairRDDFunctions
import org.apache.spark.sql.SQLContext
import org.apache.log4j.{Level, Logger}

object logparser {
  def main(args: Array[String]) = {

      Logger.getLogger("org").setLevel(Level.OFF)     
      Logger.getLogger("akka").setLevel(Level.OFF)
    //Start the Spark context
    val conf = new SparkConf()
      .setAppName("Parser")
      .setMaster("local")

      val sc = new SparkContext(conf)
      val sqlContext= new SQLContext(sc)

      val test = sc.wholeTextFiles("C:\\mkdir\\*\\*")
      .map{l =>
             if(l._1.endsWith("emplog.txt")){ 
             empparser(l._2,sc,sqlContext)
               }

             l
        }
      .foreach{println}
  }

  def empparser(record:String,sc:SparkContext,sqlContext:SQLContext) = {
     val emppattern="""[(](\d+)[)]\s([\w\s._]{30})\s+""".r

      import sqlContext.implicits._
     val indrecs = emppattern.findAllIn(record)
    .map{ line => 
      val emppattern(eid,ename) = line

     (eid,ename)
    }
     .toSeq
   .toDF("eid","ename")

   .show() 


  }
}

我已经尝试过将每个方法附加到同一对象中的代码。

现在出现两个问题 Q1.当我编译时我得到

Caused by: java.io.NotSerializableException: org.apache.spark.SparkContext
Serialization stack:
    - object not serializable (class: org.apache.spark.SparkContext, value: org.apache.spark.SparkContext@6b0615ae)
    - field (class: com.sample.logparser$$anonfun$1, name: sc$1, type: class org.apache.spark.SparkContext)
    - object (class com.sample.logparser$$anonfun$1, <function1>)

据我所知(仅限新手)Spark 上下文无法序列化。如果我不传递 sc 作为参数，则会出现空指针异常。我该如何解决这个问题？

Q2:转换为 DF 后，我将在 empparser 方法中插入到 hive 表代码。一旦完成，我不想在我的主要范围内做任何事情。但除非我在那之后采取行动，否则我的 map 代码不会执行。这就是为什么我之后有 foreacch println 。有办法解决这个问题吗？

Answer 1

为了尝试回答这个问题，我假设处理员工或部门的结果会产生相同的类型记录。我希望每种数据的情况都不同，因此我单独处理不同类型的记录，以允许这种“根据现实进行调整”。

首先，我们定义一个记录案例类和不同种类或记录类型的解析器。 (为了简单起见，我在这里复制相同的实现)

case class Record(id:String, name: String)

val empParser: String =>  Option[Record] = { record => 
  val pattern="""^[(](\d+)[)]\s([\w\s._]{30})\s+$""".r
  record match {
    case pattern(eid,ename) => Some(Record(eid, ename))
    case _ => None
  }
}

val deptParser: String =>  Option[Record] = { record => 
  val pattern="""^[(](\d+)[)]\s([\w\s._]{30})\s+$""".r
  record match {
    case pattern(eid,ename) => Some(Record(eid, ename))
    case _ => None
  }
}

val companyParser: String =>  Option[Record] = { record => 
  val pattern="""^[(](\d+)[)]\s([\w\s._]{30})\s+$""".r
  record match {
    case pattern(eid,ename) => Some(Record(eid, ename))
    case _ => None
  }
}

我们使用wholeFiles加载数据:

val dataPath = "/.../data/wholefiles/*/*"
val logFiles =  sc.wholeTextFiles(dataPath)

然后，我们通过过滤文件来处理不同类型的记录，以获得我们需要的文件类型，并应用上面定义的解析器。请注意我们实际上是如何重复相同的过程的。这可以被抽象出来。

val empLogs = logFiles.filter{case (filename, content) => filename.endsWith("emplog.txt")}.flatMap{case (_,content) => content.split("\n").flatMap(line=> empParser(line))}
val deptLogs = logFiles.filter{case (filename, content) => filename.endsWith("deptlog.txt")}.flatMap{case (_,content) => content.split("\n").flatMap(line=> deptParser(line))}
val compLogs = logFiles.filter{case (filename, content) => filename.endsWith("companylog.txt")}.flatMap{case (_,content) => content.split("\n").flatMap(line=> companyParser(line))}

我们现在转换为 DataFrame

val empDF  = empLogs.toDF

我们也可以对其他记录类型执行相同的操作。

这个过程中有足够的空间来减少代码重复，这取决于我们是否能在不同数据类型的过程中找到共性。