使用 sc.textFile 从子目录中递归获取文件内容

Question

似乎 SparkContext textFile 只希望文件出现在给定的目录位置 - 它也不希望

(a) 递归或
(b) 甚至支持目录（尝试将目录作为文件读取）

关于如何构建递归的任何建议 - 可能比手动创建递归文件列表/下降逻辑更简单？

这是用例：

下的文件

/data/tables/my_table

我希望能够通过 hdfs 调用读取该父目录下所有目录级别的所有文件。

更新

sc.textFile() 通过（子类）TextInputFormat 调用 Hadoop FileInputFormat。内部逻辑确实存在进行递归目录读取 - 即首先检测条目是否是目录，如果是则降序：

<!-- language: java -->
     for (FileStatus globStat: matches) {
218          if (globStat.isDir()) {
219            for(FileStatus stat: fs.listStatus(globStat.getPath(),
220                inputFilter)) {
221              result.add(stat);
222            }          
223          } else {
224            result.add(globStat);
225          }
226        }

然而，当调用 sc.textFile 时，目录条目出现错误："not a file"。这种行为令人困惑 - 考虑到处理目录的适当支持似乎已经到位。

Answer 1

我在看旧版本的 FileInputFormat..

BEFORE 设置递归配置 mapreduce.input.fileinputformat.input.dir.recursive

scala> sc.textFile("dev/*").count
     java.io.IOException: Not a file: file:/shared/sparkup/dev/audit-release/blank_maven_build

默认为 null/not 集，计算结果为 "false":

scala> sc.hadoopConfiguration.get("mapreduce.input.fileinputformat.input.dir.recursive")
res1: String = null

之后：

现在设置值：

sc.hadoopConfiguration.set("mapreduce.input.fileinputformat.input.dir.recursive","true")

现在重试递归操作：

scala>sc.textFile("dev/*/*").count

..
res5: Long = 3481

So it works.

Update 添加了 / 用于 @Ben

的每个评论的完整递归

Answer 2

我发现这些参数必须按以下方式设置：

.set("spark.hive.mapred.supports.subdirectories","true")
.set("spark.hadoop.mapreduce.input.fileinputformat.input.dir.recursive","true")

使用 sc.textFile 从子目录中递归获取文件内容

Recursively fetch file contents from subdirectories using sc.textFile

java

apache-spark