spark读写流程（Spark源码中添加deleteFile方法）

在大数据框架Spark的源码中我们使用addFile方法将一些文件分发给各个节点，当我们要访问Spark作业中的文件，将使用Sparkfiles.get(fileName)找到它的下载位置，但是Spark只提供给我们addFile方法，却没有提供deleteFile。我们知道addFile是SparkContext类的方法，而SparkContext是Spark功能的主要入口。SparkContext代表了与Spark集群的连接，可用于在该集群上创建RDD、累积器和广播变量。每个JVM只能活动一个SparkContext。

下面是SparkContext中addFile的源码,首先我们是不知道源码中是怎么操作这些文件的，我们将通过阅读addFile的源码来学习怎么去添加deleteFile方法，我们只有知道怎么添加才知道怎么去修改它，所谓触类旁通。

def addFile(path: String, recursive: Boolean): Unit = { val uri = new Path(path).toUri val schemeCorrectedPath = uri.getScheme match { case null | "local" => new File(path).getCanonicalFile.toURI.toString case _ => path } val hadoopPath = new Path(schemeCorrectedPath) val scheme = new URI(schemeCorrectedPath).getScheme if (!Array("http", "https", "ftp").contains(scheme)) { val fs = hadoopPath.getFileSystem(hadoopConfiguration) val isDir = fs.getFileStatus(hadoopPath).isDirectory if (!isLocal && scheme == "file" && isDir) { throw new SparkException(s"addFile does not support local directories when not running " "local mode.") } if (!recursive && isDir) { throw new SparkException(s"Added file $hadoopPath is a directory and recursive is not " "turned on.") } } else { Utils.validateURL(uri) } val key = if (!isLocal && scheme == "file") { env.rpcEnv.fileServer.addFile(new File(uri.getPath)) } else { schemeCorrectedPath } val timestamp = System.currentTimeMillis if (addedFiles.putIfAbsent(key, timestamp).isEmpty) { logInfo(s"Added file $path at $key with timestamp $timestamp") Utils.fetchFile(uri.toString, new File(SparkFiles.getRootDirectory()), conf, env.securityManager, hadoopConfiguration, timestamp, useCache = false) postEnvironmentUpdate() } }

通过上面的源码我们知道，是使用addedFiles 这个ConcurrentHashMap[用于存储每个静态文件/jar的URL以及文件的本地时间戳的

private[spark] val addedFiles = new ConcurrentHashMap[String, Long]().asScala

上面的学习我们已经知道了添加的方法，然后就是添加deleteFilele了，具体的实现如下：

我们已经了解了在SparkContext添加deleteFile方法，我们了解下NettyStreamManager。NettyStreamManager是StreamManager实现，用于服务于NettyRpcEnv中的文件。在这个管理器中可以注册三种资源，都是由实际文件支持的。

• - "/files"：一个扁平的文件列表；作为SparkContext.addFile的后端。
• - "/jars"：一个扁平的文件列表；作为SparkContext.addJar的后端。
• - 任意目录；该目录下的所有文件通过管理器变得可用，尊重目录的层次结构。只支持流媒体（openStream）。

1. 我们还是先看addFile的源码，先看父类RpcEnvFileServer的接口，RpcEnv用来向应用程序所拥有的其他进程提供文件的服务器。该file Server可以返回由普通库处理的URI（如 "http "或 "hdfs"），也可以返回由RpcEnv#fetchFile处理的 "spark "URI。

def addFile(file: File): String

2. NettyStreamManager中addFile方法实现

override def addFile(file: File): String = { val existingPath = files.putIfAbsent(file.getName, file) require(existingPath == null || existingPath == file, s"File ${file.getName} was already registered with a different path " s"(old path = $existingPath, new path = $file") s"${rpcEnv.address.toSparkURL}/files/${Utils.encodeFileNameToURIRawPath(file.getName())}" }

3. 跟addFile一样，先去父类RpcEnvFileServer中添加deleteFile方法

4. 接下来我们将在NettyStreamManager中实现deleteFile方法，如下

我们知道Spark中的SQL解析是通过ANTLR4来解析成语法树的，如果不清楚这个过程，可以阅读我的这篇博客【Spark SQL解析过程以及Antlr4入门】来了解，所以我们如果要在Spark Sql也支持的话，那么需要修改SqlBase.g4这个文件，添加DElETE

• 找到org.apache.spark.sql.execution.SparkSqlParser类，添加对移除文件的支持。SparkSqlParser是Spark SQL语句的具体解析器。

override def visitManageResource(ctx: ManageResourceContext): LogicalPlan = withOrigin(ctx) { val mayebePaths = remainder(ctx.identifier).trim ctx.op.getType match { case SqlBaseParser.ADD => ctx.identifier.getText.toLowerCase match { case "file" => AddFileCommand(mayebePaths) case "jar" => AddJarCommand(mayebePaths) case other => operationNotAllowed(s"ADD with resource type '$other'", ctx) } /* *TODO 添加支持移除文件 * */ case SqlBaseParser.DELETE => ctx.identifier.getText.toLowerCase(Locale.ROOT) match { case "file" => DeleteFileCommand(mayebePaths) case other => operationNotAllowed(s"DELETE with resource type '$other'", ctx) } case SqlBaseParser.LIST => ctx.identifier.getText.toLowerCase match { case "files" | "file" => if (mayebePaths.length > 0) { ListFilesCommand(mayebePaths.split("\\s ")) } else { ListFilesCommand() } case "jars" | "jar" => if (mayebePaths.length > 0) { ListJarsCommand(mayebePaths.split("\\s ")) } else { ListJarsCommand() } case other => operationNotAllowed(s"LIST with resource type '$other'", ctx) } case _ => operationNotAllowed(s"Other types of operation on resources", ctx) } }

• 再找到resources.scala文件

找到org.apache.spark.sql.hive.thriftserver.SparkSQLCLIDriver 这个类，然后修改

我们将源码放到linux的服务器中去编译，然后部署

./dev/make-distribution.sh --name 2.6.0-cdh5.14.2 --tgz -Pyarn -Phadoop-2.6 -Phive -Phive-thriftserver -Dhadoop.version=2.6.0-cdh5.14.2

如果你对源码感兴趣，关注我获取已经修改好的源码