scala - 直接从 Spark shell 读取 ORC 文件

Question

我在直接从 Spark shell 读取 ORC 文件时遇到问题。注意:运行Hadoop 1.2，和Spark 1.2，使用pyspark shell，可以使用spark-shell(运行scala)。

我用过这个资源http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.2.4/Apache_Spark_Quickstart_v224/content/ch_orc-spark-quickstart.html .

from pyspark.sql import HiveContext
hiveCtx = HiveContext(sc)

inputRead = sc.hadoopFile("hdfs://user@server:/file_path",
classOf[inputFormat:org.apache.hadoop.hive.ql.io.orc.OrcInputFormat],
classOf[outputFormat:org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat])

我收到一条错误消息，通常是语法错误。有一次，代码似乎有效，我只使用了传递给 hadoopFile 的三个参数中的第一个，但是当我尝试使用

inputRead.first()

输出是 RDD[nothing, nothing]。我不知道这是因为 inputRead 变量没有创建为 RDD，还是根本没有创建。

感谢您的帮助!

Answer 1

在 Spark 1.5 中，我可以将我的 ORC 文件加载为:

val orcfile = "hdfs:///ORC_FILE_PATH"
val df = sqlContext.read.format("orc").load(orcfile)
df.show