如何将 spark rdd 保存到 avro 文件

Question

我正在尝试将 rdd 保存到 avro 格式的文件中。这是我的代码的样子：

val output = s"/test/avro/${date.toString(dayFormat)}"
  rmr(output)//deleteing the path
  rdd.coalesce(64).saveAsNewAPIHadoopFile(
    output,
    classOf[org.apache.hadoop.io.NullWritable],
    classOf[PageViewEvent],
  classOf[AvroKeyValueOutputFormat[org.apache.hadoop.io.NullWritable,PageViewEvent]],
    spark.hadoopConfiguration)
}

当我运行时，我收到一条错误消息：

 Unsupported input type PageViewEvent

rdd的类型是RDD[(Null,PageViewEvent)]。有人可以解释我做错了什么吗？提前致谢

Answer 1

所以我设法找到了 'workaround'。

 val job = new Job(spark.hadoopConfiguration)
  AvroJob.setOutputKeySchema(job, PageViewEvent.SCHEMA$)

  val output = s"/avro/${date.toString(dayFormat)}"
  rmr(output)
  rdd.coalesce(64).map(x => (new AvroKey(x._1), x._2))
    .saveAsNewAPIHadoopFile(
    output,
    classOf[PageViewEvent],
    classOf[org.apache.hadoop.io.NullWritable],
    classOf[AvroKeyOutputFormat[PageViewEvent]],
    job.getConfiguration)

这很好用。我不再尝试使用 AvroKeyValueOutputFormat。但我想现在我可以了。关键更改是使用 AvroKey 并设置 OutputKeySchema。

如何将 spark rdd 保存到 avro 文件

How to save a spark rdd to an avro file

hadoop

avro

apache-spark