Question

这样做的目的是为了在HDFS中的第二个位置操作和保存每个数据文件的副本。我将使用

RddName.coalesce(1).saveAsTextFile(pathName)

将结果保存到HDFS。

这就是为什么我想单独写每个文件，即使我确信性能不会那么高效。但是，我还没有确定如何将CSV文件路径列表存储到字符串数组中，然后使用单独的RDD循环遍历每个字符串。

让我们使用以下匿名示例作为HDFS源位置：

/data/email/click/date=2015-01-01/sent_20150101.csv
/data/email/click/date=2015-01-02/sent_20150102.csv
/data/email/click/date=2015-01-03/sent_20150103.csv

我知道如何使用Hadoop FS Shell列出文件路径：

HDFS DFS -ls /data/email/click/*/*.csv

我知道如何为所有数据创建一个RDD：

val sentRdd = sc.textFile( "/data/email/click/*/*.csv" )

Answer 1

我还没有对它进行过彻底的测试，但这样的事情似乎有效：

import org.apache.spark.deploy.SparkHadoopUtil
import org.apache.hadoop.fs.{FileSystem, Path, LocatedFileStatus, RemoteIterator}
import java.net.URI

val path: String = ???

val hconf = SparkHadoopUtil.get.newConfiguration(sc.getConf)
val hdfs = FileSystem.get(hconf)
val iter = hdfs.listFiles(new Path(path), false)

def listFiles(iter: RemoteIterator[LocatedFileStatus]) = {
  def go(iter: RemoteIterator[LocatedFileStatus], acc: List[URI]): List[URI] = {
    if (iter.hasNext) {
      val uri = iter.next.getPath.toUri
      go(iter, uri :: acc)
    } else {
      acc
    }
  }
  go(iter, List.empty[java.net.URI])
}

listFiles(iter).filter(_.toString.endsWith(".csv"))

Answer 2

这最终对我有用：

import org.apache.hadoop.fs._
import org.apache.spark.deploy.SparkHadoopUtil
import java.net.URI

val hdfs_conf = SparkHadoopUtil.get.newConfiguration(sc.getConf)
val hdfs = FileSystem.get(hdfs_conf)
// source data in HDFS
val sourcePath = new Path("/<source_location>/<filename_pattern>")

hdfs.globStatus( sourcePath ).foreach{ fileStatus =>
   val filePathName = fileStatus.getPath().toString()
   val fileName = fileStatus.getPath().getName()

   // < DO STUFF HERE>

} // end foreach loop

Answer 3

sc.wholeTextFiles（path）应该有所帮助。它给出了一个rdd（filepath，filecontent）。

如何在Spark Scala shell中列出HDFS位置中的所有csv文件？

3 个答案: