我正在使用以下代码读取文件目录:
val data = sc.textFile("/mySource/dir1/*")
现在我的data
rdd包含目录中所有文件的所有行(对吗?)
我现在想在每一行中添加一个包含源文件名的列,我该怎么做?
我尝试的其他选项是使用 WholeTextFile,但我不断出现内存不足的异常。 5台服务器24核24GB(执行器核心5执行器内存5G) 有什么想法吗?
最佳答案
您可以使用此代码。我已经用 Spark 1.4 和 1.5 对其进行了测试。
它从inputSplit
获取文件名,并使用NewHadoopRDD的
mapPartitionsWithInputSplit
使用iterator
将其添加到每一行
import org.apache.hadoop.mapreduce.lib.input.{FileSplit, TextInputFormat}
import org.apache.spark.rdd.{NewHadoopRDD}
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.hadoop.io.LongWritable
import org.apache.hadoop.io.Text
val sc = new SparkContext(new SparkConf().setMaster("local"))
val fc = classOf[TextInputFormat]
val kc = classOf[LongWritable]
val vc = classOf[Text]
val path :String = "file:///home/user/test"
val text = sc.newAPIHadoopFile(path, fc ,kc, vc, sc.hadoopConfiguration)
val linesWithFileNames = text.asInstanceOf[NewHadoopRDD[LongWritable, Text]]
.mapPartitionsWithInputSplit((inputSplit, iterator) => {
val file = inputSplit.asInstanceOf[FileSplit]
iterator.map(tup => (file.getPath, tup._2))
}
)
linesWithFileNames.foreach(println)
关于scala - 如何使用spark sc.textFile获取文件名?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34316262/