前言
本文主要内容
- 什么是OutputFormat及其运行机制?
- 如何自定义自己的OutputFormat?
- 实战自定义mysql OutputFormat。
一丶什么是OutputFormat?
定义了 spark 的输出规则的类。这也许会让你想到 Hadoop Mapreduce 的 OutputFormat,没错,其实他们是一个东西,嗯,完全一样。Spark 本身只是一个计算框架,其输入和输出都是依赖于 Hadoop 的
OutputFormat,但是因为 Spark 本身自带 Hadoop 相关 Jar 包,所以不需要我们额外考虑这些东西,下面我们以saveAsTextFile
源码来验证我们的结论
def saveAsTextFile(path: String): Unit = withScope {
val nullWritableClassTag = implicitly[ClassTag[NullWritable]]
val textClassTag = implicitly[ClassTag[Text]]
val r = this.mapPartitions { iter =>
val text = new Text()
iter.map { x =>
text.set(x.toString)
(NullWritable.get(), text)
}
}
//最后调用的 saveAsHadoopFile() 并且泛型是 org.apache.hadoop.mapred.TextOutputFormat,
//是属于 hadoop 包下的一个outputformat,以此简单来验证我们的结论
RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)
.saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
}
二丶OutputFormat运行机制?
我们知道 Spark 是分布式计算框架,其计算是一个个 Executor 为单元进行的,当运行到 类似于 saveAsTextFile
等输出型算子时,会根据其定义的 Outputformat 规则进行输出,在每个Executor 单元内的每个task有且只有一个 Outputformat 实例。
三丶自定义 OutputFormat 解析
首先我们来看一下 OutputFormat 接口
public interface OutputFormat<K, V> {
/**
* 根据给予的参数返回一个 RecordWriter 对象
*
* @param ignored 基本没什么用
* @param job 可以用来获取各种配置,定制特别的 RecordWriter
* @param name 一个唯一的名字,比如:part-0001
* @param progress mechanism for reporting progress while writing to file.
*/
RecordWriter<K, V> getRecordWriter(FileSystem ignored, JobConf job,
String name, Progressable progress)
throws IOException;
/**
* 用来做输出前的各种检查
*/
void checkOutputSpecs(FileSystem ignored, JobConf job) throws IOException;
//获取一个 OutputCommitter,用来保证输出的正确执行
public abstract OutputCommitter getOutputCommitter(TaskAttemptContext context) throws IOException, InterruptedException;
}
checkOutputSpecs
很好理解,用来做输出前的检查,比如 Spark 会对输出路径做检查,如果存在就抛出异常,那么接下来我们先理解下 RecordWriter 和 OutputCommitter
- RecordWriter
public abstract class RecordWriter<K, V> {
/**
* outputformat 是针对于 kv格式的RDD的,
* Rdd数据的每条记录都会调用一次 write 方法 用来写入数据
*/
public abstract void write(K key, V value
) throws IOException, InterruptedException;
/**
* 在数据写完之后,会进行调用,一般执行一些 IO 的 close 操作
*/
public abstract void close(TaskAttemptContext context) throws IOException, InterruptedException;
}
这里我们可以发现,如果你不是 KV 格式的 Rdd,那么能调用的只有有限的几个输出型算子,比如saveAsTextFile
,其实底层是给你加格式化成了 kv 格式 Rdd 的,其 key 为 NullWritable,这块一般是我们自定义的重点。
- OutputCommitter
package com.inveno.data.analysis.user.statistical;
import java.io.IOException;
import org.apache.hadoop.classification.InterfaceAudience;
import org.apache.hadoop.classification.InterfaceStability;
public abstract class OutputCommitter {
/**
* 每个job执行之前都会调用一次或者多次,用来进行一些初始化操作
*/
public abstract void setupJob(JobContext jobContext) throws IOException;
/**
* 每个job执行之后都会调用一次或者多次,用来进行一些初始化操作
*/
@Deprecated
public void cleanupJob(JobContext jobContext) throws IOException {
}
/**
* 每个job执行完成都会调用一次
*/
public void commitJob(JobContext jobContext) throws IOException {
cleanupJob(jobContext);
}
/**
* 每个job中断执行会调用一次或者多次
*/
public void abortJob(JobContext jobContext, JobStatus.State state)
throws IOException {
cleanupJob(jobContext);
}
/**
* 每个 task 执行之前都会调用一次或者多次,用来进行一些初始化操作
*/
public abstract void setupTask(TaskAttemptContext taskContext)
throws IOException;
/**
* 需要输出到 hdfs 上的 task 用来检测是否有输出需要提交
*/
public abstract boolean needsTaskCommit(TaskAttemptContext taskContext)
throws IOException;
/**
* 每个 needsTaskCommit 为 true 的 task 执行完成都会调用一次或者多次
*/
public abstract void commitTask(TaskAttemptContext taskContext)
throws IOException;
/**
* task 中断会被调用一次或多次
*/
public abstract void abortTask(TaskAttemptContext taskContext)
throws IOException;
/**
* 是否支持输出恢复
*/
public boolean isRecoverySupported() {
return false;
}
/**
* 恢复task输出
*/
public void recoverTask(TaskAttemptContext taskContext)
throws IOException {
}
}
其中代码注释说的调用多次,一般都是因为重试机制导致的,一般只会调用一次,这个我们一般使用系统自带的实现类,然后在各个生命周期添加一些自定义操作。
四丶实战—定义一个自己的 MysqlOutputFormat
- 每当你想自定义一个东西,第一步应该想的是:我有这个需求,别人有没有?我是不是在重复造轮子?别人的轮子适合我吗?我可以做的更好吗?
- 有了上面的思考,我们果断在源码包里面找到了一个叫做
DBOutputFormat
的类,轮子果然是有的,那么好不好用呢?能不能优化一下呢? - ok,废话不多说了,我们来看看今天我们自定义的 MysqlOutputFormat,因为要用在 Spark 上 所以我们使用的是 Scala 语言
abstract class MysqlOutputFormat[K, V]() extends OutputFormat[K, V] {
val logger = LoggerFactory.getLogger(getClass)
//直接返回一个 MysqlWriter 对象
override def getRecordWriter(taskAttemptContext: TaskAttemptContext): RecordWriter[K, V] = {
new MysqlWriter[K, V](getDBFlag(), getValueConvert(), taskAttemptContext)
}
//空实现,这里可以根据你的需求实现,比如删除一些老旧数据
override def checkOutputSpecs(jobContext: JobContext): Unit = {
}
//因为我们数据读入的KV格式,这里定义了一个 SQLValueConvert trait,来让使用者自定义输入规则
def getValueConvert(): SQLValueConvert[K, V]
//用于给 mysqlwriter 获取mysql相关参数的 flag
def getDBFlag(): String
//我们这里直接使用系统自带的就ok了,可以根据你的需求来做相关修改
override def getOutputCommitter(taskAttemptContext: TaskAttemptContext): OutputCommitter = {
new FileOutputCommitter(null, taskAttemptContext)
}
}
实现比较简单,值得注意的是,在 Spark 中 OutputFormat 是通过反射生产的实例,所以需要提供一个无参的构造方法。那么接下来我们看看最重要的部分 MysqlWriter
class MysqlWrite[K, V](db_flag: String, converter: SQLValueConvert[K, V], context: TaskAttemptContext) extends RecordWriter[K, V] {
val logger = LoggerFactory.getLogger(getClass)
//加载resource mysql配置文件
val conf: Configuration = context.getConfiguration
conf.addResource("mysql.xml")
//根据传入的 flag 读取resource mysql 相应的配置文件
val table: String = conf.get(String.format(JDBCManager.JDBC_TABLE_NAME, db_flag))//table name
private val batch_size = conf.get(String.format(JDBCManager.BATCH, db_flag)).toInt// batch size
var count = 0
var committerStatement: PreparedStatement = _
var conn: Connection = _
//执行批量写入 mysql
def commit(): Unit = {
if (conn == null || committerStatement == null) {
return
}
try {
committerStatement.executeBatch()
conn.commit()
committerStatement.clearBatch()
count = 0
} catch {
case e: Exception =>
//出错回滚 并抛出异常
conn.rollback()
logger.error("在writer中写数据出现异常", e.printStackTrace())
throw e
}
}
//相关资源释放
override def close(taskAttemptContext: TaskAttemptContext): Unit = {
try {
//提交剩余的数据
commit()
} catch {
case e: Throwable =>
throw new SQLException()
} finally {
if (committerStatement != null) {
committerStatement.close()
}
if (conn != null) {
conn.close()
}
}
}
override def write(key: K, value: V): Unit = {
if (key == null || value == null) {
return
}
try {
//根据自定义规则 将KV转换成 array(),
val values = converter.convert(key, value)
//创建数据库链接
if (conn == null) {
conn = JDBCManager.getConnection(conf, db_flag)
conn.setAutoCommit(false)
}
//创建Statement
if (committerStatement == null) {
committerStatement = conn.prepareStatement(
//"INSERT INTO %s VALUES(%s)" 创建 sql 语句
MysqlOperation.insertByParameter(table, values.length))
}
//添加参数
for (i <- values.indices) {
committerStatement.setObject(i + 1, values.apply(i))
}
committerStatement.addBatch()
count = count + 1
//大于batch_size进行提交
if (count >= batch_size) {
commit()
}
} catch {
case e: Throwable =>
println("在writer中写数据出现异常", e.printStackTrace())
throw new Exception(e)
}
}
上面的代码都比较简单,这里读者可以思考一下,数据库的连接是否可以放到 setupTask?提交任务是否可以放到 commitTask ?
这边 mysql.xml 相关配置就不贴了,项目实际应用过程我们一般都需要将配置属性写到额外的文件,方便管理和维护。
五丶额外的思考
能否自定义一个outputformat来实现控制spark 文件的输出数量呢?这里主要考虑的多个task同时写入一个文件,必然涉及到文件的追加,而我们知道 hdfs虽然支持文件的追加,但是性能并不是很好,至于效率到底怎么样?笔者也没验证过。。。如果你有好的想法,欢迎留言。。。一起讨论!!!