如何将多个文本文件读入单个RDD？

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。怎么样？

您可以指定整个目录，使用通配符，甚至可以使用目录和通配符的CSV。例如：

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

正如尼克·查马斯（Nick Chammas）所指出的，这是对Hadoop的了解FileInputFormat，因此，它也适用于Hadoop（和扩展）。

用法union如下：

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

然后bigRdd是所有文件的RDD。

您可以使用单个textFile调用来读取多个文件。Scala：

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

你可以用这个

首先，您可以获得S3路径的缓冲区/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
    }
  }

现在您有了最终的Unified RDD，即df

可选，您还可以将其重新分区到单个BigRDD中

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

重新分区始终有效：D

在PySpark中，我发现了另一种有用的解析文件的方法。也许在Scala中有一个等效的版本，但是我不太满意提出一个可行的翻译。实际上，它是一个带有标签的textFile调用（在下面的示例中，键=文件名，值=文件的1行）。

“标签”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，每个条目包含一个使用filename-as-key的元组，并且value =文件的每一行。（从技术上讲，使用此方法，除了实际的文件路径名之外，您还可以使用其他键-可能是散列表示形式，以节省内存）。即。

[('/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'),
  ...]

您也可以将其重新组合为行列表：

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为单个字符串（在本示例中，结果与从WholeTextFiles获得的结果相同，但从文件路径中去除了字符串“ file：”。）：

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

您可以使用

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

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

所有答案都是正确的 sc.textFile

我只是想知道为什么不这样做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 ：

• 整个文件应适合内存
• 适用于无法按行分割的文件格式...例如XML文件

进一步参考访问

有直接的干净解决方案可用。使用wholeTextFiles（）方法。这将得到一个目录并形成一个键值对。返回的RDD将是一对RDD。在Spark docs的说明下方找到：

SparkContext.wholeTextFiles使您可以读取包含多个小文本文件的目录，并将每个小文本文件作为（文件名，内容）对返回。这与textFile相反，后者将在每个文件的每一行返回一条记录

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

1.4版的新功能。

csv（path，mode = None，compression = None，sep = None，quote = None，escape = None，header = None，nullValue = None，escapeQuotes = None，quoteAll = None，dateFormat = None，timestampFormat = None）保存指定路径中CSV格式的DataFrame的内容。

参数：path –任何Hadoop支持的文件系统模式下的路径–指定当数据已经存在时保存操作的行为。

append：将此DataFrame的内容追加到现有数据。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，则引发异常。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。如果设置为None，则使用默认值.。quote –设置用于转义带引号的值的单个字符，其中分隔符可以是值的一部分。如果设置为None，则使用默认值“。如果要关闭引号，则需要设置一个空字符串。escape-设置用于在已引号的值内转义引号的单个字符。如果设置为None ，它使用默认值\\ scapeQuotes –一个标志，指示是否应始终将包含引号的值括在引号中。如果设置为None，它将使用默认值true，转义包含引号字符的所有值。quoteAll –一个标志，指示是否应始终将所有值括在引号中。如果设置为None，它将使用默认值false，仅转义包含引号字符的值。标头–将列名写为第一行。如果设置为None，则使用默认值false。nullValue –设置空值的字符串表示形式。如果设置为None，则使用默认值空字符串。dateFormat –设置指示日期格式的字符串。自定义日期格式遵循java.text.SimpleDateFormat的格式。这适用于日期类型。如果设置为None，则使用默认值yyyy-MM-dd。timestampFormat –设置指示时间戳格式的字符串。自定义日期格式遵循java.text.SimpleDateFormat的格式。这适用于时间戳类型。如果设置为None，它将使用默认值yyyy-MM-dd'T'HH：mm：ss.SSSZZ。

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