由于特殊需求,需要在一次
Spark
任务中切换HDFS
集群。
本文我将介绍如何在一次的spark
任务中操作不同的HDFS集群
我们以wordcount
为例,分析如何配置。我们的输入数据源来自cluster1的HDFS,需要将分析结果输出到cluster2的HDFS。
val conf = new SparkConf().setAppName("Spark Word Count")
val sc = new SparkContext()
// 在输入数据之前先将hadoop config配置为cluster1集群
sc.hadoopConfiguration.addResource("cluster1/core-site.xml")
sc.hadoopConfiguration.addResource("cluster1/hdfs-site.xml")
// load data
val input = sc.textFile(args(0)).flatMap(_.split(" ")).map(x => (x, 1)).reduceByKey(_ + _)
// 再将hadoop config设为cluster2集群
sc.hadoopConfiguration.addResource("cluster2/core-site.xml")
sc.hadoopConfiguration.addResource("cluster2/hdfs-site.xml")
input.saveAsTextFile(args(1))
core-site.xml和hdfs-site.xml放在项目的
resources
目录下
通过上述例子我们可以看到,我们如果需要在spark
任务中想操作不同的hdfs
集群,我们需要在操作之前先将hadoop
的config
设置为我们需要操作的目标HDFS集群即可。
向spark提交任务:
bin/spark-submit --master yarn-client --class SparkWordcount run.jar /input /output
NOTE: 这里我们即可以写成全路径形式,即:
hdfs://cluster1/input
hdfs://cluster2/output
,也可以写成上面相对路径的形式。
上面我们通过hadoopConfiguration
的addResource
方法来添加相关配置,其实Spark在操作hdfs的时候,只需hadoop的ha相关配置就可以了,所以我们也可以通过代码来直接配置hadoop的相关配置。
val conf = new SparkConf().setAppName("Spark Word Count")
val sc = new SparkContext()
sc.hadoopConfiguration.set("fs.defaultFS", "hdfs://cluster1");
sc.hadoopConfiguration.set("dfs.nameservices", "cluster1");
sc.hadoopConfiguration.set("dfs.ha.namenodes.cluster1", "nn1,nn2");
sc.hadoopConfiguration.set("dfs.namenode.rpc-address.cluster1.nn1", "namenode001:8020");
sc.hadoopConfiguration.set("dfs.namenode.rpc-address.cluster1.nn2", "namenode002:8020");
sc.hadoopConfiguration.set("dfs.client.failover.proxy.provider.cluster1", "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");
val wc = sc.textFile(args(0)).flatMap(_.split(" ")).map(x => (x, 1)).reduceByKey(_ + _)
sc.hadoopConfiguration.set("fs.defaultFS", "hdfs://cluster2");
sc.hadoopConfiguration.set("dfs.nameservices", "cluster2");
sc.hadoopConfiguration.set("dfs.ha.namenodes.cluster2", "nn3,nn4");
sc.hadoopConfiguration.set("dfs.namenode.rpc-address.cluster2.nn3", "namenode003:8020");
sc.hadoopConfiguration.set("dfs.namenode.rpc-address.cluster2.nn4", "namenode004:8020");
sc.hadoopConfiguration.set("dfs.client.failover.proxy.provider.cluster2", "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");
wc.saveAsTextFile(args(1))
这样我们就两种不同的方式来配置hadoop
的config
,我们可以根据自己的需求来选择需要用哪种方式来配置