我有一个Spark Streaming(流式)应用程序，每分钟产生一个数据集。我需要保存/覆盖处理的数据的结果。

当我试图覆盖数据集时，抛异常org.apache.hadoop.mapred.FileAlreadyExistsException，然后停止执行。

我设置了Spark属性set("spark.files.overwrite","true")，但没作用。

如何覆盖或预先删除Spark文件呢？

最佳解决思路

建议使用Dataframes，加上类似... .write.mode(SaveMode.Overwrite) ...的代码。

对于旧版本尝试

yourSparkConf.set("spark.hadoop.validateOutputSpecs", "false")
val sc = SparkContext(yourSparkConf)

在1.1.0中，您可以使用带有–conf标志的spark-submit脚本来设置conf设置。

次佳解决思路

参数spark.files.overwrite的意思：“当目标文件存在且其内容与源不匹配时，是否覆盖通过SparkContext.addFile()添加的文件”。所以它对saveAsTextFiles方法没有影响。

你可以在保存文件之前做到这一点：

val hadoopConf = new org.apache.hadoop.conf.Configuration()
val hdfs = org.apache.hadoop.fs.FileSystem.get(new java.net.URI("hdfs://localhost:9000"), hadoopConf)
try { hdfs.delete(new org.apache.hadoop.fs.Path(filepath), true) } catch { case _ : Throwable => { } }

这里有更多解释：http://apache-spark-user-list.1001560.n3.nabble.com/How-can-I-make-Spark-1-0-saveAsTextFile-to-overwrite-existing-file-td6696.html

第三种解决思路

从pyspark.sql.DataFrame.save文档来看(当前位于1.3.1)，可以在保存DataFrame时指定mode='overwrite'：

myDataFrame.save(path='myPath', source='parquet', mode='overwrite')

经证实，这甚至会删除分区文件。因此，如果您最初说了10个分区/文件，然后用只有6个分区的DataFrame覆盖了该文件夹，则生成的文件夹将具有6个分区/文件。

有关模式选项的更多信息，请参阅Spark SQL documentation。

第四种思路

由于df.save(path, source, mode)已弃用，(http://spark.apache.org/docs/1.5.0/api/scala/index.html#org.apache.spark.sql.DataFrame)

使用df.write.format(source).mode("overwrite").save(path)，其中df.write是DataFrameWriter

‘source’可以是(“com.databricks.spark.avro” | “parquet” | “json”)

参考资料

• How to overwrite the output directory in spark