我想使用等效的RDD[String]
将gzip压缩文件读入sc.textFile("path/to/file.Z")
。
我的文件扩展名除外,如果不是gz
,而是Z
,那么该文件不会被识别为gzip压缩。
我无法重命名它们,因为它会破坏生产代码。我不想复制它们,因为它们很庞大而且很多。我想我可以使用某种符号链接,但我想看看是否有一种方法首先使用scala / spark(我现在在我的本地Windows机器上)。
如何有效地阅读此文件?
答案 0 :(得分:3)
此处有解决此问题的解决方法http://arjon.es/2015/10/02/reading-compressed-data-with-spark-using-unknown-file-extensions/
相关部分:
...扩展GzipCodec并覆盖getDefaultExtension方法。
package smx.ananke.spark.util.codecs
import org.apache.hadoop.io.compress.GzipCodec
class TmpGzipCodec extends GzipCodec {
override def getDefaultExtension(): String = ".gz.tmp" // You should change it to ".Z"
}
现在我们刚刚注册了这个编解码器,设置 SparkConf上的spark.hadoop.io.compression.codecs:
val conf = new SparkConf()
// Custom Codec that process .gz.tmp extensions as a common Gzip format
conf.set("spark.hadoop.io.compression.codecs", "smx.ananke.spark.util.codecs.TmpGzipCodec")
val sc = new SparkContext(conf)
val data = sc.textFile("s3n://my-data-bucket/2015/09/21/13/*")