读取 HDF5 文件

Question

有没有办法使用 Scala 版本的 Spark 读取 HDF5 文件？

看起来可以在 Python 中完成（通过 Pyspark），但我找不到 Scala 的任何内容。

Answer 1

没有针对 HDF5 的 Hadoop InputFormat实现，因为它不能被任意拆分：

Breaking the container into blocks is a bit like taking an axe and chopping it to pieces, severing blindly the content and the smart wiring in the process. The result is a mess, because there's no alignment or correlation between HDFS block boundaries and the internal HDF5 cargo layout or container support structure. Reference

同一站点讨论了将 HDF5 文件转换为 Avro 文件的可能性，从而使 Hadoop/Spark 能够读取它们，但是您提到的 PySpark 示例可能是一种更简单的方法，但正如链接文档中提到的那样，要在 Hadoop/Spark.

中有效地处理 HDF5 文档，需要解决许多技术挑战

Answer 2

有一个新产品可以通过 Scala 从 Apache Spark 与 HDF5 对话：

https://www.hdfgroup.org/downloads/hdf5-enterprise-support/hdf5-connector-for-apache-spark/

使用上述产品，您可以在 Scala 中打开和读取 HDF5，如下所示：

//
// HOW TO RUN:
//
// $spark-2.3.0-SNAPSHOT-bin-hdf5s-0.0.1/bin/spark-shell -i demo.scala

import org.hdfgroup.spark.hdf5._
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder().appName("Spark SQL HDF5 example").getOrCreate()

// We assume that HDF5 files (e.g., GSSTF_NCEP.3.2008.12.31.he5) are 
// under /tmp directory. Change the path name ('/tmp') if necessary.
val df=spark.read.option("extension", "he5").option("recursion", "false").hdf5("/tmp/", "/HDFEOS/GRIDS/NCEP/Data Fields/SST")

// Let's print some values from the dataset.
df.show()

// The output will look like below.
//
//+------+-----+------+
//|FileID|Index| Value|
//+------+-----+------+
//|     0|    0|-999.0|
//|     0|    1|-999.0|
//|     0|    2|-999.0|
//...

System.exit(0)

Answer 3

this question 的答案有一个示例，说明如何从百万歌曲数据集中读取多个 hdf5 文件（压缩为 .tar.gz）并提取每个文件的特征以得到 Spark RDD其中 RDD 的每个元素都是每个 hdf5 文件的特征数组。

读取 HDF5 文件

Reading HDF5 files

scala

hdf5

apache-spark