解压多个 *.gz 文件并在 spark scala 中制作一个 csv 文件

Question

我在 S3 存储桶中有多个文件，必须解压缩这些文件并将所有文件合并到一个文件 (CSV) 中，其中包含一个 header。所有文件都包含相同的 header.

数据文件如下所示。

存储系统：S3 bucket。

 part-0000-XXXX.csv.gz
 part_0001-YYYY.csv.gz
 part-0002-ZZZZ.csv.gz
 .
 .
 .
 .
 part-0010_KKKK.csv.gz.

我想要从所有文件中提取一个 CSV 文件，如上所示。请帮助我如何解压缩和合并所有文件。

将所有文件解压缩并合并成一个CSV文件后，我就可以使用这个文件与以前的文件进行数据比较..

我正在使用 spark 2.3.0 和 scala 2.11

非常感谢。

Answer 1

可以使用下面的代码，也可以不解压直接读取gz文件：

val filePath = "/home/harneet/<Dir where all gz/csv files are present>"

var cdnImpSchema = StructType(Array(
 StructField("idate",     TimestampType, true),
 StructField("time",     StringType, true),
 StructField("anyOtherColumn",  StringType, true)
))

var cdnImpDF = spark.read.format("csv").     // Use "csv" regardless of TSV or CSV.
 option("delimiter", ","). // Set delimiter to tab or comma or whatever you want.
 schema(cdnImpSchema).        // Schema that was built above.
 load(filePath)

cdnImpDF.repartition(1).write.format("com.databricks.spark.csv").option("header", "true").save("mydata.csv")

repartition(1) -> 将生成一个文件作为输出。

Answer 2

下面提到的代码似乎工作正常。

scala> val rdd = sc.textFile("/root/data")
rdd: org.apache.spark.rdd.RDD[String] = /root/data MapPartitionsRDD[1] at textFile at <console>:24


scala> rdd.coalesce(1).saveAsTextFile("/root/combinedCsv", classOf[org.apache.hadoop.io.compress.GzipCodec])

您可以看到输入数据在 /root/data 目录中，gzip 格式的组合 csv 存储在 /root/combinedCsv 目录中。

更新

如果要以csv格式存储数据，去掉GzipCodec部分。

scala> rdd.coalesce(1).saveAsTextFile("/root/combinedCsv")

解压多个 *.gz 文件并在 spark scala 中制作一个 csv 文件

Unzip the multiple *.gz files and make one csv file in spark scala

scala

apache-spark

apache-spark-sql

databricks