Apache spark Spark文件流不使用foreachRDD

我是Spark的新手，我正在构建一个小样本应用程序，这是一个Spark文件流应用程序。我只想一次读取整个文件，而不是逐行读取（我想这就是textFileStream所做的）

代码如下：

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.StreamingContext._

import org.apache.hadoop.io.LongWritable
import org.apache.hadoop.io.Text
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat

import scalax.io._

object SampleXML{

    def main(args: Array[String]){

        val logFile = "/home/akhld/mobi/spark-streaming/logs/sample.xml"

        val ssc = new StreamingContext("spark://localhost:7077","XML Streaming Job",Seconds(5),"/home/akhld/mobi/spark-streaming/spark-0.8.0-incubating",List("target/scala-2.9.3/simple-project_2.9.3-1.0.jar"))

        val lines = ssc.fileStream[LongWritable, Text, TextInputFormat]("/home/akhld/mobi/spark-streaming/logs/")

        lines.print()

        lines.foreachRDD(rdd => {
          rdd.count()  // prints counts

        })


        ssc.start()


    }
}

此代码失败，出现异常，表示：

[error] /home/akhld/mobi/spark-streaming/samples/samplexml/src/main/scala/SampleXML.scala:31: value foreachRDD is not a member of org.apache.spark.streaming.DStream[(org.apache.hadoop.io.LongWritable, org.apache.hadoop.io.Text)]
[error]         ssc.fileStream[LongWritable, Text, TextInputFormat]("/home/akhld/mobi/spark-streaming/logs/").foreachRDD(rdd => {
[error]                                                                                                       ^
[error] one error found
[error] (compile:compile) Compilation failed
[error] Total time: 3 s, completed Feb 3, 2014 7:32:57 PM

---

如果这不是显示流中文件内容的正确方法，请帮我举个例子。我搜索了很多，但找不到使用fileStream的合适文件。

好吧，Spark Streaming中的textFileStream更适合于连续读取和处理目录中正在写入的文件。因此，如果您必须一次性处理一个文件作为一个整体，那么直接使用Spark会更简单

 val lines = sparkContext.textFile(<file URL>)
 lines.foreach(line => println(line))

val lines=sparkContext.textFile（）
lines.foreach（line=>println（line））

---

这将打印文件中的所有行

另外，我认为这里的问题是不能在forEach流中对RDD调用count（）。原因是，如果您这样做，我认为它会阻止forEach块的进程，并且流消费者停止工作

我已经为此创造了一个JIRA

---

我认为在forEach块中引用rdd时，可以对rdd进行一些敏感的API调用，但还没有完全弄清楚所有细节

通过将Spark更新为最新版本0.9.0，该问题得以解决。不过，这些行将打印到executor输出流中。而不是应用程序的输出。