在一些情景下,需要用spark读取hadoop的文件的具体内容,这里做一下简单介绍。
pom.xml
pom.xml如下:
<dependencies>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-jdbc</artifactId>
<version>2.1.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.4.0</version>
</dependency>
</dependencies>
具体代码以及注释
import org.apache.spark.{SparkConf, SparkContext}
object test {
def main(args: Array[String]): Unit = {
// 本地模式, AppName里的参数可以随便写
val conf = new SparkConf().setAppName("test").setMaster("local[*]")
val sc = new SparkContext(conf)
// 地址和端口是hadoop的,路径是要读取的文件
val hadoopRdd = sc.textFile(
"hdfs://172.0.0.1:9000/user/hive/warehouse/test.db/t1/dt=1/t1"
)
println(hadoopRdd.count())
}
}
这样就可以读取到hadoop文件中的具体内容,结合实际需求做相应处理即可。
这里有一个和这个有关的项目的文章,建议一看
Java,Scala - 使用代码统计hadoop中hdfs的文件大小以及文件夹大小