Question

我正在尝试将HDFS目录中的小型Avro文件合并到单个文件中。有人可以指导我如何使用scala-spark合并它们。预先感谢。

下面显示的代码使用newAPIHadoopFile方法创建一个RDD。

val src = "/hdfs/path/to/folder"
val rdd = sc.newAPIHadoopFile(src, classOf[AvroKeyInputFormat[GenericRecord]], classOf[AvroKey[GenericRecord]], classOf[NullWritable], sc.hadoopConfiguration)

这给了我以下错误，告诉我我做错了什么：

scala> rdd.take(1).foreach(println)
19/07/16 07:28:59 WARN AvroKeyInputFormat: Reader schema was not set. Use AvroJob.setInputKeySchema() if desired.
19/07/16 07:28:59 ERROR Executor: Exception in task 0.0 in stage 2.0 (TID 2)
java.io.NotSerializableException: org.apache.avro.mapred.AvroKey
Serialization stack:
        - object not serializable (class: org.apache.avro.mapred.AvroKey, value: {someValue})
        - field (class: scala.Tuple2, name: _1, type: class java.lang.Object)
        - object (class scala.Tuple2, (someValue,(null)))
        - element of array (index: 0)
        - array (class [Lscala.Tuple2;, size 1)

Answer 1

如果您不担心rdd的更简单方法是使用Spark Dataframe。对于Spark 2+，代码看起来像这样

val spark = SparkSession.builder().getOrCreate()
val inputAvro = spark.read.format("com.databricks.spark.avro").load("/hdfs/path/to/folder")
inputAvro.coalesce(partitionNumber).write.format("com.databricks.spark.avro").save("<outputPath>")

partitionNumber是您要向其中写入avro的文件数

在运行此代码时，您必须包括--packages com.databricks:spark-avro_2.11:4.0.0以确保它能够读取Avro阅读器

读取多个AVRO文件时对象无法序列化错误

1 个答案: