Python 在Apache Spark中指定输出文件名

我有一份MapReduce工作，我正试图迁移到PySpark。有没有办法定义输出文件的名称，而不是获取

part-xxxxx

在MR中，我使用了

org.apache.hadoop.mapred.lib.MultipleTextOutputFormat

类来实现这一点

PS：我确实尝试了

saveAsTextFile（）

方法。例如：

lines = sc.textFile(filesToProcessStr)
counts = lines.flatMap(lambda x: re.split('[\s&]', x.strip()))\
.saveAsTextFile("/user/itsjeevs/mymr-output")

这将创建相同的

part-0000

文件

[13:46:25] [spark] $ hadoop fs -ls /user/itsjeevs/mymr-output/
Found 3 items
-rw-r-----   2 itsjeevs itsjeevs          0 2014-08-13 13:46 /user/itsjeevs/mymr-output/_SUCCESS
-rw-r--r--   2 itsjeevs itsjeevs  101819636 2014-08-13 13:46 /user/itsjeevs/mymr-output/part-00000
-rw-r--r--   2 itsjeevs itsjeevs   17682682 2014-08-13 13:46 /user/itsjeevs/mymr-output/part-00001

编辑

---

最近阅读了一篇让Spark用户的生活更轻松的文章。

Spark也在幕后使用Hadoop，所以你可能会得到你想要的东西。这就是

saveAsTextFile

的实现方式：

def saveAsTextFile(path: String) {
  this.map(x => (NullWritable.get(), new Text(x.toString)))
    .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
}

---

您可以将自定义的

OutputFormat

传递到

saveAsHadoopFile

。不过，我不知道如何从Python实现这一点。很抱歉回答不完整。

您的输出文件如下所示

myfilename-r-00000 myfilename-r-00001

        SparkConf sparkConf = new SparkConf().setAppName("WCSYNC-FileCompressor-ClusterSaver");
        SparkContext sc = new SparkContext(sparkConf);
            JavaSparkContext context = new JavaSparkContext(sc)
context.hadoopConfiguration().set("mapreduce.output.basename", "myfilename");




saveAsNewAPIHadoopFile(outputpath,
                                Text.class,
                                Text.class,
                                TextOutputFormat.class,
                                context.hadoopConfiguration());

---

谢谢你，丹尼尔。这绝对是一个起点。将此标记暂时接受。@Jeevs您知道如何为输出文件指定自定义名称了吗。从那时起，我对Hadoop有了更全面的了解。您可以使用自定义的

OutputFormat

，但这需要相当多的努力。文件名来自文件写入系统中相当深的部分。我鼓励您接受文件名的原样。可能在编写之后重命名它们。您是如何在python中导入MultipleTextOutputFormat的？