14

我在 Java 应用程序中使用 SparkSQL 对使用 Databricks 进行解析的 CSV 文件进行一些处理。

我正在处理的数据来自不同的来源（远程 URL、本地文件、谷歌云存储），我习惯于将所有内容都转换为 InputStream，这样我就可以在不知道数据来自何处的情况下解析和处理数据。

我在 Spark 上看到的所有文档都从路径读取文件，例如

SparkConf conf = new SparkConf().setAppName("spark-sandbox").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlc = new SQLContext(sc);

DataFrame df = sqlc.read()
    .format("com.databricks.spark.csv")
    .option("inferSchema", "true")
    .option("header", "true")
    .load("path/to/file.csv");

DataFrame dfGrouped = df.groupBy("varA","varB")
    .avg("varC","varD");

dfGrouped.show();

我想做的是从 InputStream 中读取，甚至只是从内存中的字符串中读取。类似于以下内容：

InputStream stream = new URL(
    "http://www.sample-videos.com/csv/Sample-Spreadsheet-100-rows.csv"
    ).openStream();

DataFrame dfRemote = sqlc.read()
    .format("com.databricks.spark.csv")
    .option("inferSchema", "true")
    .option("header", "true")
    .load(stream);

String someString = "imagine,some,csv,data,here";

DataFrame dfFromString = sqlc.read()
    .format("com.databricks.spark.csv")
    .option("inferSchema", "true")
    .option("header", "true")
    .read(someString);

我在这里缺少一些简单的东西吗？

我已经阅读了一些关于 Spark Streaming 和自定义接收器的文档，但据我所知，这是为了打开一个将持续提供数据的连接。Spark Streaming 似乎将数据分成块并对其进行一些处理，期望更多数据以无休止的流形式出现。

我在这里最好的猜测是，作为 Hadoop 的后代，Spark 期望大量数据可能驻留在某个文件系统中。但由于 Spark 无论如何都会在内存中进行处理，因此 SparkSQL 能够解析内存中已经存在的数据对我来说是有意义的。

任何帮助，将不胜感激。

4

1 回答 1

4

您可以使用至少四种不同的方法来让您的生活更轻松：

  1. 使用您的输入流，写入本地文件（使用 SSD 快速），使用 Spark 读取。

  2. 为 S3、 Google Cloud Storage使用 Hadoop 文件系统连接器，并将所有内容都转换为文件操作。（这不会解决从任意 URL 读取的问题，因为没有用于此的 HDFS 连接器。）

  3. 将不同的输入类型表示为不同的 URI，并创建一个实用函数来检查 URI 并触发适当的读取操作。

  4. 与 (3) 相同，但使用案例类而不是 URI，并且基于输入类型简单地重载。

于 2016-07-25T20:08:43.747 回答