引言:

　　spark項目中通常我們需要將我們處理之后數據保存到文件中，比如將處理之后的RDD保存到hdfs上指定的目錄中，亦或是保存在本地

spark保存文件：

　　1、rdd.saveAsTextFile("file:///E:/dataFile/result")

　　2、rdd.saveAsHadoopFile("file:///E:/dataFile/result",classOf[T],classOf[T],classOf[outputFormat.class])

　　3、df.write.format("csv").save("file:///E:/dataFile/result")

　　以上都簡單的，最普遍的保存文件的方式，有時候是不能夠滿足我們的需求，上述的文件保存方式中，保存之后，文件名通常是part-00000的方式保存在result文件夾中，但是，我希望能夠根據需求自己來定義這個文件名，並且指定的保存的文件夾必須事先不能存在，如果存在的話保存文件會報錯。

　　此時就需要我們自定義文件保存名。

自定義保存文件名：

　　需要自定義保存的文件名的話，就需要我們重新對輸出的文件的方式進行一個格式化，也就是說不能夠使用系統默認的輸出文件的方式，需要我們自定義輸出格式，需要重寫outputFormat類。

示例：

　需求：需要將數據庫中的數據通過sparksql讀取之后進行計算，然后進行計算，最終以指定的文件名寫入到指定的目錄下面：

　數據庫內容：

　　保存之后的文件：

　　　　保存路徑：本地“E:/dataFile/result”，該目錄下，文件名為person.txt

　　保存之后文件名：

　　保存后文件內容：

代碼實現：

　　需要自定一個一個類重寫outputFormat類中的方法

　　這里我使用saveAsHadoopFile的方式進行保存文件，如果是使用saveAsTextFile的方式的話，因為只有能傳入一個參數，

　　saveAsHadoopFile的形式保存文件，該方式是針對<k,v>對的RDD進行保存，保存的文件中內容是key和value，以空格分開，相同的key或保存在同一個文件中

上代碼：

第一步：重寫FileoutputFormat類

package cn.com.xxx.audit

import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.hadoop.mapred.{FileOutputFormat, JobConf}
import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

class CustomOutputFormat extends MultipleTextOutputFormat[Any, Any] {

　//重寫generateFileNameForKeyValue方法，該方法是負責自定義生成文件的文件名
  override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String = {
　　//這里的key和value指的就是要寫入文件的rdd對，再此，我定義文件名以key.txt來命名，當然也可以根據其他的需求來進行生成文件名
    val fileName = key.asInstanceOf[String] + ".txt"
    fileName
  }
　/**
   *因為saveAsHadoopFile是以key,value的形式保存文件，寫入文件之后的內容也是，按照key value的形式寫入，k,v之間用空格隔開，這里我只需要寫入value的值，不需要將key的值寫入到文件中個，所以我需要重寫
   *該方法，讓輸入到文件中的key為空即可，當然也可以進行領過的變通，也可以重寫generateActuralValue(key:Any,value:Any),根據自己的需求來實現
   */
  override def generateActualKey(key: Any, value: Any): String = {
    null
  }
　//對生成的value進行轉換為字符串，當然源碼中默認也是直接返回value值，如果對value沒有特殊處理的話，不需要重寫該方法
  override def generateAcutalValue(key: Any, value: Any): String = {
     return value.asInstance[String]
  }
　/**
   * 該方法使用來檢查我們輸出的文件目錄是否存在，源碼中，是這樣判斷的，如果寫入的父目錄已經存在的話，則拋出異常
   * 在這里我們沖寫這個方法，修改文件目錄的判斷方式，如果傳入的文件寫入目錄已存在的話，直接將其設置為輸出目錄即可，
   * 不會拋出異常
   */
  override def checkOutputSpecs(ignored: FileSystem, job: JobConf): Unit = {
    var outDir: Path = FileOutputFormat.getOutputPath(job)
    if (outDir != null) {
　　　 //注意下面的這兩句，如果說你要是寫入文件的路徑是hdfs的話，下面的兩句不要寫，或是注釋掉，它倆的作用是標准化文件輸出目錄，根據我的理解是，他們是標准化本地路徑，寫入本地的話，可以加上，本地路徑記得要用file:///開頭，比如file:///E:/a.txt
      //val fs: FileSystem = ignored
      //outDir = fs.makeQualified(outDir)
      FileOutputFormat.setOutputPath(job, outDir)
    }
  }
}

第二步：

package scala.spark._sql

import java.util.Properties

import mysqlUtils.OperatorMySql
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat
import org.apache.hadoop.mapred.{FileOutputFormat, JobConf}
import org.apache.spark.sql.{DataFrame, SQLContext}
import org.apache.spark.{SparkConf, SparkContext, TaskContext}
object DataFrameToMySql {	
	def main(args: Array[String]): Unit = {
		val conf = new SparkConf().setAppName(this.getClass.getName).setMaster("local[2]")
		val sc = new SparkContext(conf)
		val sqlContext = new SQLContext(sc)
		//配置輸出文件不生成success文件
		sc.hadoopConfiguration.set("mapreduce.fileoutputcommitter.marksuccessfuljobs", "false")
		//配置一些參數
		//如果設置為true，sparkSql將會根據數據統計信息，自動為每一列選擇單獨的壓縮編碼方式
		sqlContext.setConf("spark.sql.inMemoryColumnarStorage.compressed", "true")
		//控制列式緩存批量的大小。增大批量大小可以提高內存的利用率和壓縮率，但同時也會帶來OOM的風險
		sqlContext.setConf("spark.sql.inMemoryColumnarStorage.batchSize", "1000")
		sqlContext.setConf("spark.sql.autoBroadcastJoinThreshold", "10485760")
		//設為true，則啟用優化的Tungsten物理執行后端。Tungsten會顯示的管理內存，並動態生成表達式求值得字節碼
		sqlContext.setConf("spark.sql.tungsten.enabled", "true")
		//配置shuffle是的使用的分區數
		sqlContext.setConf("spark.sql.shuffle.partitions", "200")

		sc.setLogLevel("WARN")
		val pro = new Properties()
		pro.put("user", "root")
		pro.put("password", "123456")
		pro.put("driver", "com.mysql.jdbc.Driver")
		val url = "jdbc:mysql://localhost:3306/test?serverTimezone=UTC"
		val rdf = sqlContext.read /*.jdbc(url,"person1",pro)*/
		  .format("jdbc")
		  .options(Map(
			"url" -> url,
			"dbtable" -> "person",
			"driver" -> "com.mysql.jdbc.Driver",
			"user" -> "root",
			"password" -> "123456",
			"fetchSize" -> "10",
			"partitionColumn" -> "age",
			"lowerBound" -> "0",
			"upperBound" -> "1000",
			"numPartitions" -> "2"
		  )).load()
　　　　　　　　　//將讀取的文件盡心個計算，並且以pairRDD的形式寫入文件中，這里在寫入文件的時候，會將key當做文件名來進行寫入，也就是說相同的key對應的value都會寫入到相同的文件中
		val x = rdf.groupBy(substring(col("score"), 0, 5) as ("score")).agg(max("age") as ("max"), avg("age") as ("avg"))
		  .rdd.map(x => ("person", x(0) + "," + x(1) + "," + x(2)))
　　　　　　　　　　 //這里partitionBy，只是來增加文件文件寫入的並行度，可以根據需求進行設置，影響的是文件寫入的性能，我個人是這么理解的，如果有不對的還請指正
		  .partitionBy(new HashPartitioner(10))
    　　　　　　　　//這里寫入的時候，要指定我們自定義的PairRDDMultipleTextOutputFormat類
		  .saveAsHadoopFile("file:///E:/dataFile/res", classOf[String], classOf[String], classOf[PairRDDMultipleTextOutputFormat])
　　　　sc.stop()
}