在spark中设置textinputformat.record.delimiter

Posted 2021-04-20

在Spark中，可以设置一些hadoop配置设置，例如，

System.setProperty("spark.hadoop.dfs.replication", "1")

这有效，复制因子设置为1.假设是这种情况，我认为这种模式（在常规hadoop配置属性中加上“spark.hadoop。”）也适用于textinputformat.record.delimiter：

System.setProperty("spark.hadoop.textinputformat.record.delimiter", "

")

然而，似乎火花只是忽略了这个设置。我是否以正确的方式设置textinputformat.record.delimiter？是否有更简单的方法来设置textinputformat.record.delimiter。我想避免编写自己的InputFormat，因为我真的只需要获得由两个换行符分隔的记录。

答案

我使用以下函数使用普通的未压缩文件。

import org.apache.hadoop.io.LongWritable
import org.apache.hadoop.io.Text
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat

def nlFile(path: String) = {
    val conf = new Configuration
    conf.set("textinputformat.record.delimiter", "
")
    sc.newAPIHadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text], conf)
      .map(_._2.toString)
}