问题场景：在编写spark程序时，输出目录存在会造成spark任务失败。处理方法有2种，第一利用脚本方式，在主任务之上加层处理，第二，在spark任务中先处理掉目录。spark支持的可编程语言有Scala、Python、Java。其中Python无需编译打包，十分方便，但是貌似没有处理hdfs系统的Python接口，而Python的执行脚本语言是异步于主任务的，换言之，主任务与脚本任务的执行完成顺序是不确定的。而Java语言貌似不是主流的spark语言。其中最完善的就是原生的Scala语言。所以在Scala中完成对hdfs的控制，及对主任务计算方式的控制，是spark任务最优雅的方式。
所需jar包： spark-assembly-1.2.1-hadoop2.4.0.jar
实例代码：
package com.util
import java.io.BufferedInputStream
import java.io.File
import java.io.FileInputStream
import java.io.InputStream
import org.apache.hadoop.conf._
import org.apache.hadoop.fs._
import org.apache.hadoop.fs.Path._
object ScalaHdfs {
def ls(fileSystem:FileSystem,path:String)= {
println(“list path:”+path)
val fs = fileSystem.listStatus(new Path(path))
val listPath = FileUtil.stat2Paths(fs)
for( p <- listPath) {
println(p)
}
println(“—————————————-“)
}
def main(args: Array[String]) {
val conf = new Configuration()
println(conf)
val fileSystem = FileSystem.get(conf)
ls(fileSystem,”/”)
}
}
输出结果：
[hadoop@localhost spark-1.2]$ ./spark-submit –class com.util.ScalaHdfs ScalaHdfs.jar
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Configuration: core-default.xml, core-site.xml
list path:/
hdfs://localhost:9000/aaa
hdfs://localhost:9000/bbb
hdfs://localhost:9000/ccc
hdfs://localhost:9000/ddd
hdfs://localhost:9000/count
hdfs://localhost:9000/hbase
hdfs://localhost:9000/tmp
hdfs://localhost:9000/user
—————————————-
参考：http://m.blog.csdn.net/blog/linger2012liu/43314651