如何将spark流媒体保存到本地pc和hdfs？

Question

此数据正在流化，无法以元组形式保存在本地磁盘或HDF中。 从pyspark导入SparkConf，SparkContext

from operator import add
import sys
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
## Constants
APP_NAME = "PythonStreamingDirectKafkaWordCount"
##OTHER FUNCTIONS/CLASSES

def main():
    sc = SparkContext(appName="PythonStreamingDirectKafkaWordCount")
    ssc = StreamingContext(sc, 2)

    brokers, topic = sys.argv[1:]
    kvs = KafkaUtils.createDirectStream(ssc, [topic], {"metadata.broker.list": brokers})
    lines = kvs.map(lambda x: x[1])
    counts = lines.flatMap(lambda line: line.split(" ")) \
        .map(lambda word: (word, 1)) \
        .reduceByKey(lambda a, b: a+b)
    def process(RDD):
        #RDD.pprint()
        kvs2=RDD.map()
        kvs2.saveAsTextFiles('path')

    #kvs.foreachRDD(lambda x: process(x))
    #kvs1=kvs.map(lambda x: x)
    kvs.pprint()

    kvs.saveAsTextFiles('path','txt')

    ssc.start()
    ssc.awaitTermination()
if __name__ == "__main__":

   main()

Answer 1

在这一行：

 kvs.saveAsTextFiles('path','txt')

您存储的是原始流，而不是具有元组的流。而是从计数中存储：

 counts.saveAsTextFiles('path','txt')

请注意保存在“path”中提供的目录下的工作节点上的文件。你知道吗

pySpark API不支持保存到HDFS，因为对于最新版本，其他语言确实有saveAsHadoopFiles。链接到doc。你知道吗