Spark 读取文件中文乱码解决

iteye_13851

于 2015-11-18 14:02:05 发布

阅读量7.4k

点赞数

CC 4.0 BY-SA版权

分类专栏： Spark篇文章标签：大数据 scala java

本文链接：https://blog.youkuaiyun.com/iteye_13851/article/details/82643660

Spark篇专栏收录该内容

17 篇文章

订阅专栏

本文介绍了一种解决Spark处理中文文本时出现乱码的方法。通过先读取文本到内存中，并转换为List，再转化为Spark所需的格式来规避乱码问题。同时也提供了使用HadoopFile API读取文件并指定字符集的示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

当我们获取文本文件数据源是，直接使用如下代码会出现中文乱码问题

val txt = sc.textFile(rootPath+ "/4/*")

解决方案：将文本先用数据流读进内存，转化成list，在转化成spark需要的格式。

 val files = Source.fromFile("i:\\1\\1.txt","gbk" ).toList
  val rddt = sc.parallelize(files)
  
  rddt.foreach { print }

 sc.hadoopFile(rootPath+ "/1/1.txt",classOf[TextInputFormat], classOf[LongWritable], classOf[Text]).map{
      pair =>  new String(pair._2.getBytes, 0, pair._2.getLength, "GBK")}