java - 如何使用 Java 有效地读取 Hadoop (HDFS) 文件中的第一行？

Question

我的 Hadoop 集群上有一个很大的 CSV 文件。文件的第一行是“标题”行，由字段名称组成。我想在此标题行上执行操作，但我不想处理整个文件。另外，我的程序是用 Java 编写并使用 Spark 的。

在 Hadoop 集群上仅读取大型 CSV 文件的第一行的有效方法是什么？

Answer 1

您可以使用 FileSystem 访问 hdfs 文件类(class)和 friend :

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hdfs.DistributedFileSystem;

DistributedFileSystem fileSystem = new DistributedFileSystem();
Configuration conf = new Configuration();
fileSystem.initialize(new URI("hdfs://namenode-host:54310"), conf);
FSDataInputStream input = fileSystem.open(new Path("/path/to/file.csv"));
System.out.println((new BufferedReader(new InputStreamReader(input))).readLine());

此代码不会使用 MapReduce，并且会以合理的速度运行。