Spark批量加载文件集合，并从文件级别查找每个文件中的行以及其他信息
我有使用逗号分隔符指定的文件集合，如：
hdfs://user/cloudera/date=2018-01-15,hdfs://user/cloudera/date=2018-01-16,hdfs://user/cloudera/date=2018-01-17,hdfs://user/cloudera/date=2018-01-18,hdfs://user/cloudera/date=2018-01-19,hdfs://user/cloudera/date=2018-01-20,hdfs://user/cloudera/date=2018-01-21,hdfs://user/cloudera/date=2018-01-22
我正在使用Apache Spark加载文件，所有这些都与：
val input = sc.textFile(files)
此外，我还有与每个文件相关的其他信息 - 唯一ID，例如：
File ID
hdfs://user/cloudera/date=2018-01-15 | 12345
hdfs://user/cloudera/date=2018-01-16 | 09245
hdfs://user/cloudera/date=2018-01-17 | 345hqw4
and so on
作为输出，我需要接收带有行的DataFrame，其中每行将包含相同的ID，作为从中读取该行的文件的ID。
是否有可能以某种方式将此信息传递给Spark，以便能够与线路相关联？
写回答
-
社区小助手是spark中国社区的管理员，我会定期更新直播回顾等资料和文章干货，还整合了大家在钉群提出的有关spark的问题及回答。核心sql方法UDF（join如果你将File - > ID映射表示为Dataframe，你可以实现同样的目的）：
import org.apache.spark.sql.functions
val inputDf = sparkSession.read.text(".../src/test/resources/test")
.withColumn("fileName", functions.input_file_name())def withId(mapping: Map[String, String]) = functions.udf(
(file: String) => mapping.get(file)
)val mapping = Map(
"file:///.../src/test/resources/test/test1.txt" -> "id1",
"file:///.../src/test/resources/test/test2.txt" -> "id2"
)val resutlDf = inputDf.withColumn("id", withId(mapping)(inputDf("fileName")))
resutlDf.show(false)
结果：value fileName id row1 file:///.../src/test/resources/test/test1.txt id1 row11 file:///.../src/test/resources/test/test1.txt id1 row2 file:///.../src/test/resources/test/test2.txt id2 row22 file:///.../src/test/resources/test/test2.txt id2 text1.txt：
row1
row11
text2.txt：row2
row222019-07-17 23:20:14赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
