Spark/SparkSQL读取Hadoop LZO文件概述

一、前置配置

• IDEA
• Maven安装配置
• Scala（可选）
• Java
• Hadoop.dll（可能需要，具体看有无相关错误信息）
• hadoop-lzo-0.xx.xx.jar（如果你的版本过高，需要到官网下载高版本，mvnrepository仓库里面最高0.4.15；我是spark 2.2.0，用的hadoop-lzo-0.4.21.jar；如果你使用的Spark/Hadoop版本比较低，可以直接使用pom依赖即可）

二、操作步骤

1. IDEA中新建一个Project/Module
2. pom.xml中引入相关依赖（Spark、Hadoop等等）
3. 编写读取lzo文件代码
4. 测试运行
5. 打包到服务器运行

三、操作说明

1和2略过，讲一下3、4、5，错误一般在这三个阶段出现。

（一）编写读取lzo文件代码

必须的内容：

    val conf = new Configuration()
    conf.set("dfs.client.use.datanode.hostname", "true")
    conf.set("io.compression.codecs", "org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,com.hadoop.compression.lzo.LzopCodec")
    conf.set("io.compression.codec.lzo.class", "com.hadoop.compression.lzo.LzoCodec")

hostname是用于有内外网IP的情况下，找到了元数据但无法建立连接的配置；
后面两个配置，则是用于读取lzo文件，否则会报错： java.io.IOException: Codec for file hdfs:xxx.lzo not found, cannot run

import com.hadoop.mapreduce.LzoTextInputFormat

    val value = ss.sparkContext
      .newAPIHadoopFile(hdfsLzoPath, classOf[LzoTextInputFormat], classOf[LongWritable], classOf[Text], conf)
      .mapPartitions(p => p.map(row => row._2.toString))

这一部分就是调包读取了，注意LzoTextInputFormat的包是否正确

（二）测试运行

如果运行报错：ERROR lzo.LzoCodec: Cannot load native-lzo without native-hadoop，那就是没有相关的环境依赖。
如果是Linux环境，则是没有安装lzo和lzop（.a），如果是本地开发环境，则是没有lzo的依赖（.dll）。
解决办法：Linux安装lzo包，如果是Windows，则将dll文件添加到hadoop_home目录中

（三）打包到服务器运行

如果版本比较低，直接引用mvnrepository的依赖坐标，一般不存在运行问题，如果是引入的jar包，则有可能会报错，ERROR lzo.LzoCodec: Cannot load native-lzo without native-hadoop。这个错误和上面的错误是一样的，但不是环境问题，而是打包过程中，本地依赖没有被一并打入jar包。解决办法：将本地的jar制作为依赖，引入到pom中。

1. 执行：mvn install:install-file -Dfile=hadoop-lzo-0.4.21-SNAPSHOT.jar -DgroupId=hadoop-lzo -DartifactId=hadoop-lzo -Dversion=0.4.21 -Dpackaging=jar

格式：
mvn install:install-file
-Dfile=jar包的位置
-DgroupId=pom文件里的groupId
-DartifactId=pom文件里的artifactId
-Dversion=pom文件里的version
-Dpackaging=jar

2. 在pom中正常引入即可
   

也可以考虑找一个有高版本hadoop-lzo的仓库地址，配置到maven.setting.xml中