Spark从外部读取数据之textFile

最新推荐文章于 2025-11-18 11:34:42 发布

原创最新推荐文章于 2025-11-18 11:34:42 发布 · 680 阅读

0 ·

CC 4.0 BY-SA版权

本文详细介绍了如何使用Spark的textFile函数从不同位置（如HDFS、本地文件系统等）读取文本文件，并将其转换为字符串类型的RDD。此外，还讲解了如何通过设置最小分区数来控制RDD的分区。

Spark从外部读取数据之textFile

标签： spark 大数据数据源码

2016-07-11 06:13 17091人阅读评论(7) 收藏举报

 
  分类：
 
  spark源码阅读笔记（14）

 版权声明：本文为博主原创文章，未经博主允许不得转载。

textFile函数

 
   /** 
    * Read a text file from HDFS, a local file system (available on all nodes), or any 
    * Hadoop-supported file system URI, and return it as an RDD of Strings. 
    */  
   def textFile(  
       path: String,  
       minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {  
     assertNotStopped()  
     hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],  
       minPartitions).map(pair => pair._2.toString).setName(path)  
   }  
 
 

分析参数：

path: String 是一个URI，這个URI可以是HDFS、本地文件（全部的节点都可以），或者其他Hadoop支持的文件系统URI返回的是一个字符串类型的RDD，也就是是RDD的内部形式是Iterator[(String)]

minPartitions= math.min(defaultParallelism, 2) 是指定数据的分区，如果不指定分区，当你的核数大于2的时候，不指定分区数那么就是 2

当你的数据大于128M时候，Spark是为每一个快（block）创建一个分片（hadoop-2.X之后为128m一个block）

1、从当前目录读取一个文件

 
   val path = "Current.txt"  //Current fold file  
 val rdd1 = sc.textFile(path,2)

从当前目录读取一个Current.txt的文件

2、从当前目录读取多个文件

 
   val path = "Current1.txt，Current2.txt，"  //Current fold file  
 val rdd1 = sc.textFile(path,2)

从当前读取两个文件，分别是Cuttent1.txt和Current2.txt

3、从本地系统读取一个文件

 
   val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/README.md"  //local file  
 val rdd1 = sc.textFile(path,2)

从本地系统读取一个文件，名字是README.md

4、从本地系统读取整个文件夹

 
   val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/"  //local file  
 val rdd1 = sc.textFile(path,2)

从本地系统中读取licenses这个文件夹下的所有文件

這里特别注意的是，比如這个文件夹下有35个文件，上面分区数设置是2，那么整个RDD的分区数是35*2？

這是错误的，這个RDD的分区数不管你的partition数设置为多少时，只要license這个文件夹下的這个文件a.txt

(比如有a.txt)没有超过128m，那么a.txt就只有一个partition。那么就是说只要这35个文件其中没有一个超过

128m，那么分区数就是 35个

5、从本地系统读取多个文件

 
   val path = "file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/LICENSE-scala.txt,file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/LICENSE-spire.txt"  //local file  
 val rdd1 = sc.textFile(path,2)

从本地系统中读取file:///usr/local/spark/spark-1.6.0-bin-hadoop2.6/licenses/下的LICENSE-spire.txt和

LICENSE-Scala.txt两个文件。上面分区设置是2，那个RDD的整个分区数是2*2

6、从本地系统读取多个文件夹下的文件（把如下文件全部读取进来）

 
   val path = "/usr/local/spark/spark-1.6.0-bin-hadoop2.6/data/*/*"  //local file  
 val rdd1 = sc.textFile(path,2)

采用通配符的形式来代替文件，来对数据文件夹进行整体读取。但是后面设置的分区数2也是可以去除的。因为一个文件没有达到128m，所以上面的一个文件一个partition，一共是20个。

7、采用通配符，来读取多个文件名类似的文件

比如读取如下文件的people1.txt和people2.txt,但google.txt不读取

 
   for (i <- 1 to 2){  
       val rdd1 = sc.textFile(s"/root/application/temp/people$i*",2)  
     }

8、采用通配符读取相同后缀的文件

 
   val path = "/usr/local/spark/spark-1.6.0-bin-hadoop2.6/data/*/*.txt"  //local file  
 val rdd1 = sc.textFile(path,2)

9、从HDFS读取一个文件

 
   val path = "hdfs://master:9000/examples/examples/src/main/resources/people.txt"  
 val rdd1 = sc.textFile(path,2)

从HDFS中读取文件的形式和本地上一样，只是前面的路径要表明是HDFS中的