spark streaming fileStream

Question

我正在使用spark streaming进行编程，但使用scala遇到了一些问题。我正在尝试使用函数StreamingContext.fileStream

此函数的定义如下所示：

def fileStream[K, V, F <: InputFormat[K, V]](directory: String)(implicit arg0: ClassManifest[K], arg1: ClassManifest[V], arg2: ClassManifest[F]): DStream[(K, V)]

创建一个输入流，它监视与Hadoop兼容的文件系统中的新文件，并使用给定的键值类型和输入格式读取它们。以开头的文件名。都被忽略了。K键类型用于读取HDFS文件V值类型用于读取HDFS文件F输入格式用于读取HDFS文件目录HDFS目录用于监视新文件

我不知道如何传递Key和Value的类型。我的spark streaming代码：

val ssc = new StreamingContext(args(0), "StreamingReceiver", Seconds(1),
  System.getenv("SPARK_HOME"), Seq("/home/mesos/StreamingReceiver.jar"))

// Create a NetworkInputDStream on target ip:port and count the
val lines = ssc.fileStream("/home/sequenceFile")

编写hadoop文件的Java代码：

public class MyDriver {

private static final String[] DATA = { "One, two, buckle my shoe",
        "Three, four, shut the door", "Five, six, pick up sticks",
        "Seven, eight, lay them straight", "Nine, ten, a big fat hen" };

public static void main(String[] args) throws IOException {
    String uri = args[0];
    Configuration conf = new Configuration();
    FileSystem fs = FileSystem.get(URI.create(uri), conf);
    Path path = new Path(uri);
    IntWritable key = new IntWritable();
    Text value = new Text();
    SequenceFile.Writer writer = null;
    try {
        writer = SequenceFile.createWriter(fs, conf, path, key.getClass(),
                value.getClass());
        for (int i = 0; i < 100; i++) {
            key.set(100 - i);
            value.set(DATA[i % DATA.length]);
            System.out.printf("[%s]\t%s\t%s\n", writer.getLength(), key,
                    value);
            writer.append(key, value);
        }
    } finally {
        IOUtils.closeStream(writer);
    }
}

}

Answer 1

如果你想使用fileStream，你必须在调用它的时候给它提供所有3个类型参数。在调用它之前，您需要知道您的Key、Value和InputFormat类型是什么。如果你的类型是LongWritable，Text和TextInputFormat，你可以这样调用fileStream：

val lines = ssc.fileStream[LongWritable, Text, TextInputFormat]("/home/sequenceFile")

如果这三种类型恰好是您的类型，那么您可能希望使用textFileStream，因为它不需要任何类型参数，也不需要使用我提到的这三种类型委托给fileStream。使用它将看起来像这样：

val lines = ssc.textFileStream("/home/sequenceFile")

Answer 2

val filterF = new Function[Path, Boolean] {
    def apply(x: Path): Boolean = {
      val flag = if(x.toString.split("/").last.split("_").last.toLong < System.currentTimeMillis) true else false
      return flag
    }
}

val streamed_rdd = ssc.fileStream[LongWritable, Text, TextInputFormat]("/user/hdpprod/temp/spark_streaming_input",filterF,false).map(_._2.toString).map(u => u.split('\t'))