Spark 读取外部文件的几种方式

Spark从外部读取数据之textFile





textFile函数


 
 
  1. /**
  2. * Read a text file from HDFS, a local file system (available on all nodes), or any
  3. * Hadoop-supported file system URI, and return it as an RDD of Strings.
  4. */
  5. def textFile(
  6. path: String,
  7. minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
  8. assertNotStopped()
  9. hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
  10. minPartitions).map(pair => pair._2.toString).setName(path)
  11. }
分析参数:

path: String 是一个URI,這个URI可以是HDFS、本地文件(全部的节点都可以),或者其他Hadoop支持的文件系统URI返回的是一个字符串类型的RDD,也就是是RDD的内部形式是Iterator[(String)]

minPartitions=  math.min(defaultParallelism, 2) 是指定数据的分区,如果不指定分区,当你的核数大于2的时候,不指定分区数那么就是 2

当你的数据大于128M时候,Spark是为每一个快(block)创建一个分片(Hadoop-2.X之后为128m一个block)

1、从当前目录读取一个文件


 
 
  1. val path = "Current.txt" //Current fold file
  2. val rdd1 = sc.textFile(path, 2)

从当前目录读取一个Current.txt的文件

2、从当前目录读取多个文件


 
 
  1. val path = "Current1.txt,Current2.txt," //Current fold file
  2. val rdd1 = sc.textFile(path, 2)
从当前读取两个文件,分别是Cuttent1.txt和Current2.txt


3、从本地系统读取一个文件


 
 
  1. val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/README.md" //local file
  2. val rdd1 = sc.textFile(path, 2)
从本地系统读取一个文件,名字是README.md

4、从本地系统读取整个文件夹


 
 
  1. val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/" //local file
  2. val rdd1 = sc.textFile(path, 2)
从本地系统中读取licenses这个文件夹下的所有文件

這里特别注意的是,比如這个文件夹下有35个文件,上面分区数设置是2,那么整个RDD的分区数是35*2?

這是错误的,這个RDD的分区数不管你的partition数设置为多少时,只要license這个文件夹下的這个文件a.txt

(比如有a.txt)没有超过128m,那么a.txt就只有一个partition。那么就是说只要这35个文件其中没有一个超过

128m,那么分区数就是 35个

5、从本地系统读取多个文件


 
 
  1. val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/LICENSE-scala.txt,file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/LICENSE-spire.txt" //local file
  2. val rdd1 = sc.textFile(path, 2)
从本地系统中读取file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/下的LICENSE-spire.txt和

LICENSE-scala.txt两个文件。上面分区设置是2,那个RDD的整个分区数是2*2

6、从本地系统读取多个文件夹下的文件(把如下文件全部读取进来)




 
 
  1. val path = "/usr/local/spark/spark-1.6.0-bin-hadoop2.6/data/*/*" //local file
  2. val rdd1 = sc.textFile(path, 2)

采用通配符的形式来代替文件,来对数据文件夹进行整体读取。但是后面设置的分区数2也是可以去除的。因为一个文件没有达到128m,所以上面的一个文件一个partition,一共是20个。

7、采用通配符,来读取多个文件名类似的文件

比如读取如下文件的people1.txt和people2.txt,但google.txt不读取



 
 
  1. for (i <- 1 to 2){
  2. val rdd1 = sc.textFile(s "/root/application/temp/people$i*", 2)
  3. }
8、采用通配符读取相同后缀的文件


 
 
  1. val path = "/usr/local/spark/spark-1.6.0-bin-hadoop2.6/data/*/*.txt" //local file
  2. val rdd1 = sc.textFile(path, 2)


9、从HDFS读取一个文件

 
 
  1. val path = "hdfs://master:9000/examples/examples/src/main/resources/people.txt"
  2. val rdd1 = sc.textFile(path, 2)
从HDFS中读取文件的形式和本地上一样,只是前面的路径要表明是HDFS中的








        </div>
            </div>
        </article>
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值