Spark 作业中的 Scala 成员字段可见性

Question

我有一个 Scala 类，我定义如下:

import org.apache.spark.{SparkConf, SparkContext}

object TestObject extends App{
  val FAMILY = "data".toUpperCase

  override def main(args: Array[String]) {
    val sc = new SparkContext(new SparkConf())

    sc.parallelize(1 to 10)
      .map(getData)
      .saveAsTextFile("my_output")
  }

  def getData(i: Int) = {
    ( i, FAMILY, "data".toUpperCase )
  }
}

我将其提交到 YARN 集群，如下所示:

HADOOP_CONF_DIR=/etc/hadoop/conf spark-submit \
    --conf spark.hadoop.validateOutputSpecs=false \
    --conf spark.yarn.jar=hdfs:/apps/local/spark-assembly-1.2.1-hadoop2.4.0.jar \
    --deploy-mode=cluster \
    --master=yarn \
    --class=TestObject \
    target/scala-2.11/myjar-assembly-1.1.jar

出乎意料的是，输出如下所示，表明getData方法看不到FAMILY的值:

(1,null,DATA)
(2,null,DATA)
(3,null,DATA)
(4,null,DATA)
(5,null,DATA)
(6,null,DATA)
(7,null,DATA)
(8,null,DATA)
(9,null,DATA)
(10,null,DATA)

我需要了解什么，关于字段、范围、可见性、spark 提交、对象和单例等等，才能理解为什么会发生这种情况？如果我基本上希望定义为“常量”的变量对 getData 方法可见，我应该做什么？

Answer 1

我可能遗漏了一些东西，但我认为您不应该定义 main 方法。当您扩展 App 时，you inherit a main ，并且您不应该覆盖它，因为这才是实际调用 App 中的代码的原因。

例如，你的答案中的简单类应该这样写

object TestObject extends App {
  val FAMILY = "data"
  println(FAMILY, "data")
}