我正在尝试解决这个问题 problem在 kaggle 使用 spark:
输入的层次结构是这样的:
drivers/{driver_id}/trip#.csv
e.g., drivers/1/1.csv
drivers/1/2.csv
drivers/2/1.csv
我想读取父目录"drivers",对于每个子目录,我想创建一个pairRDD,键为(sub_directory,file_name) 和值作为文件的内容
我检查了this链接并尝试使用
val text = sc.wholeTextFiles("drivers")
text.collect()
失败并出现错误:
java.lang.ArrayIndexOutOfBoundsException: 0
at org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat$OneFileInfo.<init>(CombineFileInputFormat.java:591)
at org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat.getMoreSplits(CombineFileInputFormat.java:283)
at org.apache.hadoop.mapreduce.lib.input.CombineFileInputFormat.getSplits(CombineFileInputFormat.java:243)
at org.apache.spark.rdd.WholeTextFileRDD.getPartitions(NewHadoopRDD.scala:267)
at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:219)
at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:217)
at scala.Option.getOrElse(Option.scala:120)
at org.apache.spark.rdd.RDD.partitions(RDD.scala:217)
at org.apache.spark.SparkContext.runJob(SparkContext.scala:1779)
at org.apache.spark.rdd.RDD$$anonfun$collect$1.apply(RDD.scala:885)
at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:148)
at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:109)
at org.apache.spark.rdd.RDD.withScope(RDD.scala:286)
at org.apache.spark.rdd.RDD.collect(RDD.scala:884)
但是当我运行下面的代码时,它起作用了。
val text = sc.wholeTextFiles("drivers/1")
text.collect()
但我不想这样做,因为在这里我必须读取目录 drivers 并循环文件并为每个条目调用 wholeTextFiles。
最佳答案
而不是使用
sc.textfile("path/*/**") or sc.wholeTextFiles("path/*")
您可以使用这段代码。因为 spark 在内部列出了文件夹和子文件夹的所有可能值,所以它可能会花费您处理大型数据集的时间。取而代之的是,您可以将联合用于相同的目的。
将包含位置的列表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
}
}
现在你得到了最终的统一 RDD,即 df
关于scala - 使用 Spark 从目录中读取多个文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31051107/