scala - spark读取HDFS中zip文件的内容

Question

我正在尝试从 zip 文件中读取数据

可以读取整个文本文件如下

val f = sc.wholeTextFiles("hdfs://")

但不知道，如何读取 zip 文件中的文本数据

有没有可能的方法来做到这一点，如果是，请告诉我。

Answer 1

您可以使用 newAPIHadoopFile 命令从 zipFile 创建 RDD。

import com.cotdp.hadoop.ZipFileInputFormat
import org.apache.hadoop.io.BytesWritable
import org.apache.hadoop.io.Text
import org.apache.hadoop.mapreduce.Job

val zipFileRDD = sc.newAPIHadoopFile(
        "hdfs://tmp/sample_zip/LoanStats3a.csv.zip",
        classOf[ZipFileInputFormat],
        classOf[Text],
        classOf[BytesWritable],
        new Job().getConfiguration())
println("The file contents are: " + zipFileRDD.map(s => new String(s._2.getBytes())).first())