我正在使用 Spark(v1.6.1) 阅读 Hadoop 序列文件。缓存RDD后,RDD中的内容就失效了(最后一个条目重复了n
几次)。
这是我的代码片段:
import org.apache.hadoop.io.Text
import org.apache.hadoop.mapred.SequenceFileOutputFormat
import org.apache.spark.{SparkConf, SparkContext}
object Main {
def main(args: Array[String]) {
val seqfile = "data-1.seq"
val conf: SparkConf = new SparkConf()
.setAppName("..Buffer..")
.setMaster("local")
.registerKryoClasses(Array(classOf[Text]))
val sc = new SparkContext(conf)
sc.parallelize((0 to 1000).toSeq) //creating a sample sequence file
.map(i => (new Text(s"$i"), new Text(s"${i*i}")))
.saveAsHadoopFile(seqfile, classOf[Text], classOf[Text],
classOf[SequenceFileOutputFormat[Text, Text]])
val c = sc.sequenceFile(seqfile, classOf[Text], classOf[Text])
.cache()
.map(t => {println(t); t})
.collectAsMap()
println(c)
println(c.size)
sc.stop()
}
}
输出:
(1000,1000000)
(1000,1000000)
(1000,1000000)
(1000,1000000)
(1000,1000000)
...... //Total 1000 lines with same content as above ...
Map(1000 -> 1000000)
1
编辑:对于未来的访问者:如果您正在阅读我在上面的代码片段中所做的序列文件,请参阅接受的答案。一个简单的解决方法是制作 HadoopWritable
实例的副本:
val c = sc.sequenceFile(seqfile, classOf[Text], classOf[Text])
.map(t =>(new Text(t._1), new Text(t._2))) //Make copy of writable instances