Spark动态加载外部资源文件

 

 

之前做一个关于Spark的项目时，因项目中需要读取某个静态资源文件，然后在本地IDEA测试一切皆正常，但是传到服务器上时，一直显示找不到该静态资源文件，后尝试了两三种方法解决问题。

本地测试时，通过

val is: InputStream = this.getClass.getResourceAsStream(“./xxx.sql”)

来获取的静态资源文件，传至服务器后，找不到该静态资源文件。

遂尝试将文件传至HDFS，然后通过读取hdfs的文件来获取静态资源文件。

val gs = sc.textFile("hdfs://master:9000/user/resources/xxx.txt").first()

---

 

---

1、spark-submit --files 动态加载外部资源文件

spark时，有些时候需要加载资源文件，需要在driver或者worker端访问。在client模式下可以使用IO流直接读取,但是在cluster模式下却不能直接读取，需要如下代码：

val is: InputStream = this.getClass.getResourceAsStream(“./xxx.sql”)
val bufferSource = Source.fromInputStream(is)

这是直接读取classPath路径下的文件,但是cluster模式下，driver有可能不再程序提交的客户端上，以上代码会发生空指针异常。这是，就需要通过–files把外部资源文件加载到classpath路径下。正常情况加载—files filename1,filename2…,当知道外部源文件都是有哪些时，直接列举出来就可以。但是在某些情况下，开发者开发的是一个通用工具，不知到所要加载的是一个什么文件。这时就需要动态加载，我曾尝试过使用–files …/xxx/*.sql，这个可以动态加载指定目录下数据。但是后来发现，这样加载只能加载一个文件，文件夹中超过多余一个文件就会报错。试了很多种方式也没有测试成功。最后通过shell脚本列举文件夹中的文件拼装成字符串，才算完成。

程序打包目录如下：

代码实现如下：

##########################################################################################
####由于spark2_submit --files /../*.sql 不能加载多个文件所以只能拼装script路径下的文件####
##########################################################################################
###获取当前项目绝对路径###
#project_home=$(dirname $(readlink -f "$0"))"/.."
project_home="$(readlink -f $(cd "`dirname "$0"`"/..; pwd))"
###获取script绝对路径###
script_path=${project_home}"/script/"
###获取项目中script目录下所有的脚本文件
files=$(ls $script_path);
files=${files// / };
file_arr=($files);
files_str=""
for ele in ${file_arr[*]}
do
  file_str=${file_str}${script_path}${ele},
done
len=`expr ${#file_str} - 1`
file_str=`expr substr "$file_str" 1 $len`
echo $file_str

/usr/bin/spark2-submit  --executor-memory 15G   \
        --master yarn   \ 
        --queue dataengine \
        --files $project_home/script/* \
        --executor-cores 5      \
        --driver-cores 3  \
        --name AutoScript  \
        --deploy-mode cluster   \
        --class xx.xx.xxx       \
        --driver-memory 10G      \
        --conf "spark.dynamicAllocation.executorIdleTimeout=300"   \
        --conf "spark.shuffle.file.buffer=16k"  \
        --conf "spark.yarn.appMasterEnv.JAVA_HOME=/opt/jdk1.8.0_45"     \
        --conf "spark.dynamicAllocation.minExecutors=11" \
        --conf "spark.dynamicAllocation.maxExecutors=11" \
        --conf "spark.speculation.quantile=0.85"        \
        --conf "spark.executorEnv.JAVA_HOME=/opt/jdk1.8.0_45"   \
        --conf "spark.executor.extraJavaOptions=-verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintTenuringDistribution -XX:+UseG1GC "     \
        --conf "spark.executor.extraJavaOptions=-XX:+UseG1GC "     \
        --conf "spark.driver.extraClassPath=/home/sunkl/hive-exec-1.1.0-cdh5.7.6.jar" \
        --conf "spark.speculation=true" \
        --conf "spark.rpc.askTimeout=400" \
        --conf "spark.shuffle.service.enabled=true"     \
        $project_home/lib/******.jar