如何将多个文本文件读入单个 RDD？

Question

我想从 hdfs 位置读取一堆文本文件，并使用 spark 在迭代中对其执行映射。

JavaRDD<String> records = ctx.textFile(args[1], 1); 一次只能读取一个文件。

我想读取多个文件并将它们作为单个 RDD 处理。如何？

Answer 1

您可以指定整个目录、使用通配符甚至 CSV 的目录和通配符。例如：

sc.textFile("/my/dir1,/my/paths/part-00[0-5]*,/another/dir,/a/specific/file")

正如 Nick Chammas 所指出的，这是 Hadoop 的 FileInputFormat 的曝光，因此这也适用于 Hadoop（和 Scalding）。

Answer 2

如下使用union：

val sc = new SparkContext(...)
val r1 = sc.textFile("xxx1")
val r2 = sc.textFile("xxx2")
...
val rdds = Seq(r1, r2, ...)
val bigRdd = sc.union(rdds)

那么bigRdd就是所有文件的RDD。

Answer 3

您可以使用单个 textFile 调用来读取多个文件。斯卡拉：

sc.textFile(','.join(files)) 

Answer 4

你可以用这个

首先你可以获得一个缓冲区/S3 路径列表：

import scala.collection.JavaConverters._
import java.util.ArrayList
import com.amazonaws.services.s3.AmazonS3Client
import com.amazonaws.services.s3.model.ObjectListing
import com.amazonaws.services.s3.model.S3ObjectSummary
import com.amazonaws.services.s3.model.ListObjectsRequest

def listFiles(s3_bucket:String, base_prefix : String) = {
    var files = new ArrayList[String]

    //S3 Client and List Object Request
    var s3Client = new AmazonS3Client();
    var objectListing: ObjectListing = null;
    var listObjectsRequest = new ListObjectsRequest();

    //Your S3 Bucket
    listObjectsRequest.setBucketName(s3_bucket)

    //Your Folder path or Prefix
    listObjectsRequest.setPrefix(base_prefix)

    //Adding s3:// to the paths and adding to a list
    do {
      objectListing = s3Client.listObjects(listObjectsRequest);
      for (objectSummary <- objectListing.getObjectSummaries().asScala) {
        files.add("s3://" + s3_bucket + "/" + objectSummary.getKey());
      }
      listObjectsRequest.setMarker(objectListing.getNextMarker());
    } while (objectListing.isTruncated());

    //Removing Base Directory Name
    files.remove(0)

    //Creating a Scala List for same
    files.asScala
  }

现在将此 List 对象传递给以下代码，注意：sc 是 SQLContext 的对象

var df: DataFrame = null;
  for (file <- files) {
    val fileDf= sc.textFile(file)
    if (df!= null) {
      df= df.unionAll(fileDf)
    } else {
      df= fileDf
    }
  }

现在你得到了一个最终的统一 RDD，即 df

可选，也可以在单个 BigRDD 中重新分区

val files = sc.textFile(filename, 1).repartition(1)

重新分区总是有效的：D

Answer 5

在 PySpark 中，我发现了另一种有用的解析文件的方法。也许在 Scala 中有一个等价物，但我对想出一个工作翻译感到不舒服。实际上，这是一个添加了标签的 textFile 调用（在下面的示例中，key = filename, value = 文件中的 1 行）。

“带标签的”文本文件

输入：

import glob
from pyspark import SparkContext
SparkContext.stop(sc)
sc = SparkContext("local","example") # if running locally
sqlContext = SQLContext(sc)

for filename in glob.glob(Data_File + "/*"):
    Spark_Full += sc.textFile(filename).keyBy(lambda x: filename)

输出：数组，每个条目包含一个元组，使用文件名作为键，值 = 文件的每一行。 （从技术上讲，使用这种方法，除了实际的文件路径名称之外，您还可以使用不同的键——也许是一个散列表示来节省内存）。 IE。

[('/home/folder_with_text_files/file1.txt', 'file1_contents_line1'),
 ('/home/folder_with_text_files/file1.txt', 'file1_contents_line2'),
 ('/home/folder_with_text_files/file1.txt', 'file1_contents_line3'),
 ('/home/folder_with_text_files/file2.txt', 'file2_contents_line1'),
  ...]

---

您也可以将任一行重新组合为行列表：

Spark_Full.groupByKey().map(lambda x: (x[0], list(x[1]))).collect()

[('/home/folder_with_text_files/file1.txt', ['file1_contents_line1', 'file1_contents_line2','file1_contents_line3']),
 ('/home/folder_with_text_files/file2.txt', ['file2_contents_line1'])]

或将整个文件重新组合回单个字符串（在此示例中，结果与从 wholeTextFiles 获得的结果相同，但字符串“file:”从文件路径中删除。）：

Spark_Full.groupByKey().map(lambda x: (x[0], ' '.join(list(x[1])))).collect()

Answer 6

你可以使用

JavaRDD<String , String> records = sc.wholeTextFiles("path of your directory")

在这里，您将获得文件的路径和该文件的内容。因此您可以一次执行整个文件的任何操作，从而节省开销

Answer 7

sc.textFile的所有答案都是正确的

我只是想知道为什么不wholeTextFiles 例如，在这种情况下......

val minPartitions = 2
val path = "/pathtohdfs"
    sc.wholeTextFiles(path,minPartitions)
      .flatMap{case (path, text) 
    ...

一个限制是，我们必须加载小文件，否则性能会很差并可能导致 OOM。

注意：

• 整个文件应该适合内存
• 适用于不能按行拆分的文件格式...例如 XML 文件

进一步参考visit

Answer 8

有一个直接的清洁解决方案可用。使用 wholeTextFiles() 方法。这将获取一个目录并形成一个键值对。返回的 RDD 将是一对 RDD。 在下面找到Spark docs的描述：

SparkContext.wholeTextFiles 允许您读取包含多个小文本文件的目录，并将每个文件作为（文件名，内容）对返回。这与 textFile 不同，后者会在每个文件中每行返回一条记录

Answer 9

试试这个 用于将 DataFrame 写入外部存储系统（例如文件系统、键值存储等）的接口。使用 DataFrame.write() 来访问它。

1.4 版中的新功能。

csv(path, mode=None, compression=None, sep=None, quote=None, escape=None, header=None, nullValue=None, escapeQuotes=None, quoteAll=None, dateFormat=None, timestampFormat=None ) 将 DataFrame 的内容以 CSV 格式保存在指定路径。

参数： path – 任何 Hadoop 支持的文件系统中的路径 模式 - 指定数据已存在时保存操作的行为。

append：将此 DataFrame 的内容附加到现有数据。 覆盖：覆盖现有数据。 忽略：如果数据已经存在，则静默忽略此操作。 错误（默认情况）：如果数据已经存在，则抛出异常。 压缩 – 保存到文件时使用的压缩编解码器。这可以是已知的不区分大小写的缩写名称之一（none、bzip2、gzip、lz4、snappy 和 deflate）。 sep – 将单个字符设置为每个字段和值的分隔符。如果设置了 None，则使用默认值 ,。 quote – 设置用于转义引用值的单个字符，其中分隔符可以是值的一部分。如果设置了 None，它使用默认值，"。如果你想关闭引号，你需要设置一个空字符串。 escape – 设置用于在已引用的值内转义引号的单个字符。如果设置了 None，则使用默认值，\ escapeQuotes – 一个标志，指示是否应始终将包含引号的值括在引号中。如果设置了 None，它使用默认值 true，转义所有包含引号字符的值。 quoteAll – 一个标志，指示是否所有值都应始终括在引号中。如果设置了 None，它使用默认值 false，只转义包含引号字符的值。 header – 将列的名称写为第一行。如果设置了 None，它将使用默认值 false。 nullValue – 设置空值的字符串表示。如果设置了 None，它将使用默认值空字符串。 dateFormat – 设置表示日期格式的字符串。自定义日期格式遵循 java.text.SimpleDateFormat 中的格式。这适用于日期类型。如果设置了 None，则使用默认值 yyyy-MM-dd。 timestampFormat – 设置表示时间戳格式的字符串。自定义日期格式遵循 java.text.SimpleDateFormat 中的格式。这适用于时间戳类型。如果设置了 None，则使用默认值 yyyy-MM-dd'T'HH:mm:ss.SSSZZ。

Answer 10

rdd = textFile('/data/{1.txt,2.txt}')