問題場景:在編寫spark程序時,輸出目錄存在會造成spark任務失敗。處理方法有2種,第一利用腳本方式,在主任務之上加層處理,第二,在spark任務中先處理掉目錄。spark支持的可編程語言有Scala、Python、Java。其中Python無需編譯打包,十分方便,但是貌似沒有處理hdfs系統的Python接口,而Python的執行腳本語言是異步於主任務的,換言之,主任務與腳本任務的執行完成順序是不確定的。而Java語言貌似不是主流的spark語言。其中最完善的就是原生的Scala語言。所以在Scala中完成對hdfs的控制,及對主任務計算方式的控制,是spark任務最優雅的方式。
所需jar包: spark-assembly-1.2.1-hadoop2.4.0.jar
實例代碼:
package com.util
import java.io.BufferedInputStream
import java.io.File
import java.io.FileInputStream
import java.io.InputStream
import org.apache.hadoop.conf._
import org.apache.hadoop.fs._
import org.apache.hadoop.fs.Path._
object ScalaHdfs {
def ls(fileSystem:FileSystem,path:String)= {
println("list path:"+path)
val fs = fileSystem.listStatus(new Path(path))
val listPath = FileUtil.stat2Paths(fs)
for( p <- listPath) {
println(p)
}
println("----------------------------------------")
}
def main(args: Array[String]) {
val conf = new Configuration()
println(conf)
val fileSystem = FileSystem.get(conf)
ls(fileSystem,"/")
}
}
輸出結果:
[hadoop@localhost spark-1.2]$ ./spark-submit --class com.util.ScalaHdfs ScalaHdfs.jarSpark assembly has been built with Hive, including Datanucleus jars on classpath
Configuration: core-default.xml, core-site.xml
list path:/
hdfs://localhost:9000/aaa
hdfs://localhost:9000/bbb
hdfs://localhost:9000/ccc
hdfs://localhost:9000/ddd
hdfs://localhost:9000/count
hdfs://localhost:9000/hbase
hdfs://localhost:9000/tmp
hdfs://localhost:9000/user
----------------------------------------
參考:http://m.blog.csdn.net/blog/linger2012liu/43314651