从谷歌云平台读取火花作业中的文件

Question

我在谷歌云平台上使用spark。 显然我正在从文件系统gs://<bucket>/dir/file读取文件，但是日志输出提示

  

FileNotFoundException：`gs：/ bucket / dir / file（不存在此类文件或目录）

缺少的/显然是问题所在。我该如何解决这个问题？

这是我的代码：

val files = Array(("call 1","gs://<bucket>/google-cloud-dataproc-metainfo/test/123.wav"))
val splitAudioFiles = sc.parallelize(files.map(x => splitAudio(x, 5, sc)))

def splitAudio(path: (String, String), interval: Int, sc: SparkContext): (String, Seq[(String,Int)]) = {
   val stopWords = sc.broadcast(loadTxtAsSet("gs://<bucket>/google-cloud-dataproc-metainfo/test/stopword.txt")).value
   val keyWords = sc.broadcast(loadTxtAsSet("gs://<bucket>/google-cloud-dataproc-metainfo/test/KeywordList.txt")).value

   val file = new File((path._2))
   val audioTitle = path._1
   val fileFormat: AudioFileFormat = AudioSystem.getAudioFileFormat(file)
   val format = fileFormat.getFormat

Answer 1

您似乎正在使用AudioSystem.getAudioFileFormat（URL），它不支持gs：// URI。相反，您需要使用Hadoop FileSystem接口来获取文件的InputStream并使用AudioSystem.getAudioFileFormat（InputStream）。我认为这样的事情应该有效：

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.Configuration;

val sc: SparkContext = ...
val urls : RDD[URL] = ...
val formats : RDD[AudioFileFormat] = urls.map(url => {
    val asUri = url.toURI  
    val conf = new Configuration()
    val hadoopPath = new Path(asUri)
    val hadoopFs = hadooPath.getFileSystem(conf)
    val inputStream = hadoopFs.open(hadoopPath)
    AudioSystem.getAudioFileFormat(inputStream)
})