Question

http://spark.apache.org/docs/latest/sql-programming-guide.html#interoperating-with-rdds

该链接显示如何将txt文件更改为RDD，然后更改为Dataframe。

那么如何处理二进制文件？

问一个例子，非常感谢。

这里有一个类似的问题没有答案：reading binary data into (py) spark DataFrame

更详细一点，我不知道如何解析二进制文件。例如，我可以将txt文件解析为这样的行或单词：

JavaRDD<Person> people = sc.textFile("examples/src/main/resources/people.txt").map(
  new Function<String, Person>() {
    public Person call(String line) throws Exception {
      String[] parts = line.split(",");

      Person person = new Person();
      person.setName(parts[0]);
      person.setAge(Integer.parseInt(parts[1].trim()));

      return person;
    }
  });

似乎我只需要能够像这样解析二进制文件或二进制流的API：

 JavaRDD<Person> people = sc.textFile("examples/src/main/resources/people.bin").map(
      new Function<String, Person>() {
        public Person call(/*stream or binary file*/) throws Exception {
          /*code to construct every row*/
          return person;
        }
      });

编辑：二进制文件包含结构数据（关系数据库的表，数据库是一个自制的数据库），我知道结构数据的元信息。我计划将结构数据更改为RDD [Row]。

当我使用FileSystem的API（http://hadoop.apache.org/docs/current/api/org/apache/hadoop/fs/FileSystem.html）将二进制流写入HDFS时，我可以更改二进制文件的所有内容。并且二进制文件是可拆分的。我没有任何想法解析二进制文件，如上面的示例代码。所以到目前为止我无法尝试任何事情。

Answer 1

有一个二进制记录阅读器已经可用于spark（我相信在1.3.1中可用，至少在scala api中）。

sc.binaryRecord(path: string, recordLength: int, conf)

虽然可以将这些二进制文件转换为可接受的格式进行处理。

如何将二进制文件更改为RDD或Dataframe？

1 个答案: