scala - 如何列出 Spark Scala shell 中 HDFS 位置中的所有 csv 文件？

Question

这样做的目的是为了在 HDFS 的第二个位置操作和保存每个数据文件的副本。我会用

RddName.coalesce(1).saveAsTextFile(pathName)

将结果保存到HDFS。

这就是为什么我想单独处理每个文件，尽管我确信性能不会那么高效。但是，我还没有确定如何将 CSV 文件路径列表存储到字符串数组中，然后使用单独的 RDD 遍历每个路径。

让我们使用以下匿名示例作为 HDFS 源位置:

/data/email/click/date=2015-01-01/sent_20150101.csv
/data/email/click/date=2015-01-02/sent_20150102.csv
/data/email/click/date=2015-01-03/sent_20150103.csv

我知道如何使用 Hadoop FS Shell 列出文件路径:

HDFS DFS -ls /data/email/click/*/*.csv

我知道如何为所有数据创建一个 RDD:

val sentRdd = sc.textFile( "/data/email/click/*/*.csv" )

Answer 1

我还没有对它进行彻底的测试，但像这样的东西似乎有效:

import org.apache.spark.deploy.SparkHadoopUtil
import org.apache.hadoop.fs.{FileSystem, Path, LocatedFileStatus, RemoteIterator}
import java.net.URI

val path: String = ???

val hconf = SparkHadoopUtil.get.newConfiguration(sc.getConf)
val hdfs = FileSystem.get(hconf)
val iter = hdfs.listFiles(new Path(path), false)

def listFiles(iter: RemoteIterator[LocatedFileStatus]) = {
  def go(iter: RemoteIterator[LocatedFileStatus], acc: List[URI]): List[URI] = {
    if (iter.hasNext) {
      val uri = iter.next.getPath.toUri
      go(iter, uri :: acc)
    } else {
      acc
    }
  }
  go(iter, List.empty[java.net.URI])
}

listFiles(iter).filter(_.toString.endsWith(".csv"))