Spark中将对象序列化存储到hdfs

废话不多说, 直接贴代码了. spark1.4 + hbase0.98

1import org.apache.spark.storage.StorageLevel 2import scala.collection.JavaConverters._ 3import java.io.File 4import java.io.FileInputStream 5import java.io.FileOutputStream 6import java.io.ObjectInputStream 7import java.io.ObjectOutputStream 8import java.net.URI 9import java.util.Date 10import org.ansj.library.UserDefineLibrary 11import org.ansj.splitWord.analysis.NlpAnalysis 12import org.ansj.splitWord.analysis.ToAnalysis 13import org.apache.hadoop.fs.FSDataInputStream 14import org.apache.hadoop.fs.FSDataOutputStream 15import org.apache.hadoop.fs.FileSystem 16import org.apache.hadoop.fs.FileUtil 17import org.apache.hadoop.fs.Path 18import org.apache.hadoop.hbase.client._ 19import org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor, TableName} 20import org.apache.hadoop.hbase.filter.FilterList 21import org.apache.hadoop.hbase.filter.PageFilter 22import org.apache.hadoop.hbase.filter.RegexStringComparator 23import org.apache.hadoop.hbase.filter.SingleColumnValueFilter 24import org.apache.hadoop.hbase.filter.CompareFilter.CompareOp 25import org.apache.hadoop.hbase.mapreduce.TableInputFormat 26import org.apache.hadoop.hbase.protobuf.ProtobufUtil 27import org.apache.hadoop.hbase.util.{Base64, Bytes} 28import com.feheadline.fespark.db.Neo4jManager 29import com.feheadline.fespark.util.Env 30import org.apache.spark.SparkConf 31import org.apache.spark.SparkContext 32import org.apache.spark.rdd._ 33import org.apache.spark.mllib.feature.{Word2Vec, Word2VecModel} 34import scala.math.log 35import scala.io.Source 36 37object Word2VecDemo { 38 39  def convertScanToString(scan: Scan) = { 40    val proto = ProtobufUtil.toScan(scan) 41    Base64.encodeBytes(proto.toByteArray) 42  } 43 44  def main(args: Array[String]): Unit = { 45    val sparkConf = new SparkConf().setAppName("Word2Vec Demo") 46    sparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer") 47    sparkConf.set("spark.kryoserializer.buffer", "256m") 48    sparkConf.set("spark.kryoserializer.buffer.max","2046m") 49    sparkConf.set("spark.akka.frameSize", "500") 50    sparkConf.set("spark.rpc.askTimeout", "30") 51     52 53    val sc = new SparkContext(sparkConf) 54    val hbaseConf = HBaseConfiguration.create() 55    hbaseConf.set("hbase.zookeeper.quorum", "myzookeeper") 56 57    hbaseConf.set(TableInputFormat.INPUT_TABLE, "crawled") 58 59    val scan = new Scan() 60    val filterList:FilterList = new FilterList(FilterList.Operator.MUST_PASS_ALL) 61     62    val comp:RegexStringComparator = new RegexStringComparator(""".{1500,}""") 63     64    val articleFilter:SingleColumnValueFilter = new SingleColumnValueFilter( 65    "data".getBytes, 66    "article".getBytes, 67    CompareOp.EQUAL, 68    comp 69    ) 70     71    filterList.addFilter(articleFilter) 72    filterList.addFilter(new PageFilter(100)) 73     74    scan.setFilter(filterList) 75    scan.setCaching(50) 76    scan.setCacheBlocks(false) 77    hbaseConf.set(TableInputFormat.SCAN,convertScanToString(scan)) 78 79    val crawledRDD = sc.newAPIHadoopRDD( 80      hbaseConf, 81      classOf[TableInputFormat], 82      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable], 83      classOf[org.apache.hadoop.hbase.client.Result] 84    ) 85  86    val articlesRDD = crawledRDD.filter{ 87      case (_,result) => { 88          val content = Bytes.toString(result.getValue("data".getBytes,"article".getBytes)) 89          content != null 90      } 91    } 92 93    val wordsInDoc = articlesRDD.map{ 94      case (_,result) => { 95          val content = Bytes.toString(result.getValue("data".getBytes,"article".getBytes)) 96          if(content!=null)ToAnalysis.parse(content).asScala.map(_.getName).toSeq 97          else Seq("") 98      } 99    } 100     101    val fitleredWordsInDoc = wordsInDoc.filter(_.nonEmpty) 102     103    val word2vec = new Word2Vec() 104    val model = word2vec.fit(fitleredWordsInDoc) 105    106    //---------------------------------------重点看这里------------------------------------------------------------- 107    //将上面的模型存储到hdfs 108    val hadoopConf = sc.hadoopConfiguration 109    hadoopConf.set("fs.defaultFS", "hdfs://myhadoop:9000/") 110    val fileSystem = FileSystem.get(hadoopConf) 111    val path = new Path("/user/hadoop/data/mllib/word2vec-object") 112    val oos = new ObjectOutputStream(new FSDataOutputStream(fileSystem.create(path))) 113    oos.writeObject(model) 114    oos.close 115     116    //这里示例另外一个程序直接从hdfs读取序列化对象使用模型 117    val ois = new ObjectInputStream(new FSDataInputStream(fileSystem.open(path))) 118    val sample_model = ois.readObject.asInstanceOf[Word2VecModel] 119    120    /* 121    * //你还可以将序列化文件从hdfs放到本地, scala程序使用模型 122    * import java.io._ 123    * import org.apache.spark.mllib.feature.{Word2Vec, Word2VecModel} 124    * val ois = new ObjectInputStream(new FileInputStream("/home/cherokee/tmp/word2vec-object")) 125    * val sample_model = ois.readObject.asInstanceOf[Word2VecModel] 126    * ois.close 127    */ 128    //-------------------------------------------------------------------------------------------------------------- 129  } 130}
点赞
收藏

评论区

加载中...

相关推荐

MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1

文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s

Oracle 分组与拼接字符串同时使用

SELECTT.,ROWNUMIDFROM(SELECTT.EMPLID,T.NAME,T.BU,T.REALDEPART,T.FORMATDATE,SUM(T.S0)S0,MAX(UPDATETIME)CREATETIME,LISTAGG(TOCHAR(

MySQL部分从库上面因为大量的临时表tmp_table造成慢查询

背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_

皕杰报表之UUID

​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为

手写Java HashMap源码

HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程22

2020年前端实用代码段,为你的工作保驾护航

有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )

Spark中将对象序列化存储到hdfs - HelloWorld