文件格式
Spark对文件的读取和保存方式都很简单,会根据文件的扩展名选择对应的处理方式
格式名称 | 结构化 | 备注 |
文本文件 | 否 | 普通的文本文件,每行一条记录 |
JSON | 半结构化 | 常见的基于文本的格式,半结构化,大多数库都要求每行一条记录 |
CSV | 是 | 非常常见的基于文本的格式,通常在电子表格应用中使用 |
sequenceFiles | 是 | 一种用于键值对数据常见的Hadoop文件格式 |
protocol buffers | 是 | 一种快速、节约空间的跨语言格式 |
对象文件 | 是 | 用来将Spark作业中的数据存储下来以让共享的代码读取。改变类的时候会失效,因为他依赖于java序列化 |
文本文件
当我们将一个文本文件读取为RDD时,输入的每一行都会成为RDD的一个元素,也可以将多个完整的文本文件一次性读取为一个pair RDD,其中键是文件名,值是文件内容。
读取文本文件
只需要使用文件路径作为参数调用SparkContext中的textFile()函数,就可以读取一个文本文件
读取一个文本文件
val input = sc.textFile("file:///home/holden/repos/spark/README.md")
如果文件足够小,可以使用SparkContext,wholeTextFiles()方法,该方法会返回一个pair RDD,其中键是输入文件的文件名
val input = sc.wholeTextFiles("file:///home/holden/salesFiles")
val result = input.mapValues{y =>
val nums = y.split(" ").map(x => x.toDouble)
nums.sum / nums.size.toDouble
}
JSON
JSON是一种使用较广的半结构化数据格式,读取JSON数据的最简单的方法可以在所有支持的编程语言中使用。然后使用JSON解释器来对RDD中的值进行映射操作,Scala中也可以使用一个自定义Hadoop格式来操作JSON数据。
在scala中读取JSON
import com.fasterxml.jackson.moudle.scala.DefaultScalaMoudle
import com.fasterxml.jackson.moudle.scala.experimental.ScalaObjectMapper
import com.fasterxml.jackson.databind.ObjectMappr
import com.fasterxml.jackson.databind.DeserializationFeature
...
case class Person(name:String,lovesPandas:Boolean //必须是顶级类
...
//将其解析为特定的case class。使用flatMap,通过在遇到问题时返回空列表(None)
//来处理错误,而在没有问题时返回包含一个元素的列表(Some(_))
val result =input.flatMap(record =>{
try{
Some(mapper.readValue(record,classOf[Person]))
}catch{
case e:Exception => None
}})
在scala中保存为JSON
result.filter(p => p.lovesPandas).map(mapper.writeValueAsString(_)).saveAsTextFile(outputFile)
逗号分隔值(CSV)与制表符分割值(TSV)
读取CSV
读取CSV/TSV数据和读取JSON数据相似,都需要先把文件当做普通文本文件来读取数据,再对数据进行处理。由于格式标准的缺失,同一个库的不同版本有时也会用不同的方式处理输入数据。
如果你的CSV的所有数据字段均没有包含换行符,你也可以使用textFile()读取并解析数据
import Java.io.StringReader
import au.com.bytecode.opencsv.CSVReader
...
val input = sc.textFile(inputFile)
val result = input.map{line =>
val reader = new CSVReader(new StringReader(line));
reader.readNext();
}
如果在字段中嵌有换行符,就需要完整读入每个文件,然后解析。
case class Person(name: String,favoriteAnimal:String)
val input = sc.wholeTextFiles(inputFile)
val result = input.flatMap{case (_,txt) =>
val reader = new CSVReader(new StringReader(txt));
reader.readAll().map(x => Person(x(0),x(1)))
}
保存CSV
写出CSV/TSV数据很简单,可以通过重用输出编码器来加速
pandaLovers.map(persion => List(person.name,person.favoriteAnimal).toArray).mapPartitions{
people => val stringWriter = new StringWriter();
val csvWriter = new CSVWriter(stringWriter);
csvWriter.writeAll(people.toList)
Iterator(stringWriter.toString)
}.saveAsTextFile(outFile)
上述的例子中只能在我们知道所有要输出的字段时使用,然而如果一些字段名是在运行时由用户输入决定的,就要使用别的方法了,最简单的方法是遍历所有的数据,提取不同的键,然后分别输出。
SequenceFile
SequenceFile是由没有相对关系结构的键值对文件组成常用的Hadoop格式,SequenceFile文件有同步标记,Spark可以用它来定位到文件中的某个点,然后再与记录的边界对其。这可以让Spark使用多个节点高效的并行读取SequenceFile文件。
读取SequenceFile
Spark有专门用来读取SequenceFile的接口。SparkContext中,可以调用sequenceFile(path,keyClass,valueClass,minPartitions)
val data = sc.sequenceFile(infile,classOf[Text],classOf[IntWritable]).
map{case(x,y)=> (x.toString,y.get())}
保存SequenceFile
val data = sc.parallelize(List(("panda",3),("key",6),("Snail",2)))
data.saveAsSequenceFile(outputFile)