【Spark】Spark读取本地与hdfs文件 |
您所在的位置:网站首页 › hdfs shell命令速度慢 › 【Spark】Spark读取本地与hdfs文件 |
目录 一、spark直接读取本地文件系统的文件(非常不方便,不建议使用) 1、file前缀地址“file:///” 二、本地文件系统的文件上传到HDFS系统 1、put命令 2、copyFromLocal命令 三、spark读写HDFS文件 一、spark直接读取本地文件系统的文件(非常不方便,不建议使用) 1、file前缀地址“file:///”例1:绝对路径成功 scala> val rdd=sc.textFile("file:///usr/lib/spark-2.0.0/README.md") rdd: org.apache.spark.rdd.RDD[String] = file:///usr/lib/spark-2.0.0/README.md MapPartitionsRDD[7] at textFile at :24 scala> rdd.first res3: String = # Apache Spark说明: (1)本地文件系统地址的前缀是“file:///”后边也必须是全部的绝对路径,不能用相对路径。 (2)所访问的文件必须在所有的节点上都存在一个一样的备份(路径和文件名称名一致,内容应该也一样?)。 本例子中,要加载的数据已经在spark工作目录,并且hadoop用户已经有访问权限。这在所有节点上是一致的。 例2:相对路径失败 scala> val rdd=sc.textFile("file:///./README.md") //失败 rdd: org.apache.spark.rdd.RDD[String] = file:///./README.md MapPartitionsRDD[19] at textFile at :24 scala> rdd.first org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: file:/README.md说明:即便是绝对路径,而只在master上有的文件,spark也无法访问。 二、本地文件系统的文件上传到HDFS系统 1、put命令例3:上传本地文件到用户在HDFS的默认目录 [hadoop@master dataset]$ hdfs dfs -put ./kinship/kinship.raw input默认操作: (1)在HDFS 的用户默认目录 hdfs://master:9000/user/hadoop/创建input目录, (2)然后把kinship.raw 上传到该目录。 [hadoop@master dataset]$ hdfs dfs -ls input -rw-r--r-- 3 hadoop supergroup 2666 2016-10-22 23:20 input说明: (1)目标地址里,如果是“input”和“/input”是不一样的。 前者的绝对地址是:hdfs://master:9000/user/hadoop/input 后者的绝对地址是:hdfs://master:9000/input 这是最本质的差别。 例4:如下 [hadoop@master dataset]$ hdfs dfs -ls /user/hadoop/input/ -rw-r--r-- 3 hadoop supergroup 2666 2016-10-22 23:20 /user/hadoop/input 2、copyFromLocal命令例5:copyFromLocal [hadoop@master dataset]$ hdfs dfs -copyFromLocal ./kinship/kinship.raw input [hadoop@master dataset]$ hdfs dfs -ls /user/hadoop/input -rw-r--r-- 3 hadoop supergroup 2666 2016-10-22 23:26 /user/hadoop/input 三、spark读写HDFS文件已经知道:HDFS的根目录是hdfs://master:9000/,用户默认的目录是hdfs://master:9000/user/hadoop/ 例6:进入spark-shell,将RDD数据写入HDFS scala> val rdd1 = sc.parallelize(Seq(1, 2, 3, 4)) rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[15] at parallelize at :24 scala> rdd1.saveAsTextFile("rdd1")说明: (1) 这里只给了一个相对路径"rdd1", 系统默认在hdfs的hdfs://master:9000/user/hadoop/目录下创建rdd1子目录,然后保存内容。 绝对路径就是 "hdfs://master:9000/user/hadoop/rdd1" ,这里的hadoop是hadoop的用户名,每个人的安装配置不一样,自然不一样, user是固定的。 例7:读取HDFS数据 scala> val rdd2 = sc.textFile("hdfs://master:9000/user/hadoop/rdd1") rdd2: org.apache.spark.rdd.RDD[String] = hdfs://master:9000/user/hadoop/rdd1 MapPartitionsRDD[18] at textFile at :24 scala> rdd2.collect # 这里不应该是rdd2.collect()? res12: Array[String] = Array(1, 2, 3, 4)我自己的pyspark读取如下: from pyspark.sql import SparkSession spark = SparkSession \ .builder \ .appName("test pyspark") \ .master("local") \ .enableHiveSupport() \ .getOrCreate() sc = spark.sparkContext # data = sc.textFile("michelle/README.md") # hdfs读取 data = sc.textFile("file:///home/michelle/recsys_code/README.md") # 本地读取也可以 data.count() # 4 spark.stop()例8:不写入用户默认目录,如果给定根目录符号 “/”,那么系统会在hdfs的根目录(hdfs://master:9000/)创建一个rdd3目录。 scala> val rdd3 = sc.parallelize(Seq(4, 5, 6)) rdd3: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[20] at parallelize at :24 scala> rdd3.saveAsTextFile("/rdd3") scala> val rdd4=sc.textFile("hdfs://master:9000/rdd3") rdd4: org.apache.spark.rdd.RDD[String] = hdfs://master:9000/rdd3 MapPartitionsRDD[23] at textFile at :24 scala> rdd3.collect res15: Array[Int] = Array(4, 5, 6)参考: Spark入门:读写文件 - 南北大侠无问东西的文章 - 知乎 by the way,还是有点不明白hdfs hadoop spark scala之间的关系,或许没有关系??疑惑 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |