Question

我已经将一个avro文件读入spark RDD并需要将其转换为sql数据帧。我该怎么做。

这是我到目前为止所做的。

import org.apache.avro.generic.GenericRecord
import org.apache.avro.mapred.{AvroInputFormat, AvroWrapper}
import org.apache.hadoop.io.NullWritable

val path = "hdfs://dds-nameservice/user/ghagh/"
val avroRDD = sc.hadoopFile[AvroWrapper[GenericRecord], NullWritable, AvroInputFormat[GenericRecord]](path)

当我这样做时：

avro.take(1)

我回来了

res1: Array[(org.apache.avro.mapred.AvroWrapper[org.apache.avro.generic.GenericRecord], org.apache.hadoop.io.NullWritable)] = Array(({"column1": "value1", "column2": "value2", "column3": value3,...

如何将其转换为SparkSQL数据帧？

我正在使用Spark 1.6

有人可以告诉我是否有一个简单的解决方案吗？

Answer 1

对于DataFrame，我选择Avro data source directly：

在包列表中包含spark-avro。对于最新版本使用：
```
com.databricks:spark-avro_2.11:3.2.0
```

加载文件：

val df = spark.read
  .format("com.databricks.spark.avro")
  .load(path)

Answer 2

如果您的项目是maven，则在pom.xml中添加以下最新依赖项

<dependency>
   <groupId>com.databricks</groupId>
   <artifactId>spark-avro_2.11</artifactId>
   <version>4.0.0</version>
</dependency>

之后，您可以读取如下的avro文件

val df=spark.read.format("com.databricks.spark.avro").option("header","true").load("C:\\Users\\alice\\inputs\\sample_data.avro")

在Spark中阅读Avro文件

2 个答案: