解压缩多个 *.gz 文件并在 Spark scala 中创建一个 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为具有单个标头的单个文件 (CSV(。所有文件都包含相同的标头。

数据文件如下所示。

存储系统：S3 存储桶。

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

我想要所有文件中的单个CSV文件，如上所示。请帮助我如何解压缩和合并所有文件。

解压缩并将所有文件合并为单个CSV后，我可以使用此文件与以前的文件进行数据比较。

我正在使用火花 2.3.0 和 scala 2.11

非常感谢。

Answer 1

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位于/root/data目录中，并且 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，请剥离GzipCodec部分。

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

Answer 2

您可以使用以下代码，也可以直接从gz文件中读取而无需提取：

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")

重新分区(1( -> 将生成一个文件作为输出。