在 pyspark 中使用 zip

Question

我在一个目录中有 n 个 zip，我想提取其中的每一个，然后从位于 zip 中的一两个文件中提取一些数据并将其添加到图形数据库中。我已经为整个事情制作了一个连续的python脚本，但我坚持将它转换为火花。我所有的 zip 文件都在 HDFS 目录中。而且，他的图形数据库是 Neo4j。我尚未了解如何将 spark 与 neo4j 连接，但我仍停留在更初始的步骤。

我认为我的代码应该遵循这些原则。

# Names of all my zips
zip_names = ["a.zip", "b.zip", "c.zip"]

# function extract_&_populate_graphDB() returns 1 after doing all the work.
# This was done so that a closure can be applied to start the spark job.
sc.parallelize(zip_names).map(extract_&_populate_grapDB).reduce(lambda a, b: a+b)

我无法对此进行测试的是如何提取 zip 并读取其中的文件。我可以通过 sc.textFile 读取 zip，但在其上运行 take(1) 时，它返回了十六进制数据。

那么，是否可以读取 zip 文件并提取数据？或者，我应该在将数据放入 HDFS 之前提取数据吗？或者也许有其他方法可以解决这个问题？

Answer 1

更新答案*

如果您想使用 Gzip 压缩文件，您可以在配置 Spark shell 或 Spark 作业时设置一些参数，以便读取和写入压缩数据。

--conf spark.hadoop.mapred.output.compress=True \
--conf spark.hadoop.mapred.output.compression.codec=True \ 
--conf spark.hadoop.mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec \
--conf spark.hadoop.mapred.output.compression.type: BLOCK

将这些添加到您当前用于创建 shell 的 bash 脚本中（例如 pyspark），您就可以读取和写入压缩数据。

不幸的是，有no innate support of Zip files，所以你需要做更多的工作才能到达那里。