Spark读取HDFS或者AFS等文件系统文件

                        Spark读取HDFS或者AFS等文件系统文件

Spark读取文件有很多方法，我这里主要介绍一下读取非结构化的文件的两种方式，针对多文件读取，单文件读取也是一样的。

方案一：spark的textFile方法，也是最简单的方案，支持通配符，简单好用

String afsFilePath="afs://afs.yun.com/app/file/*/sss*";
// String afsFilePath="afs://afs.yun.com/app/file/text/text.txt";
// String afsFilePath="afs://afs.yun.com/app/file/text/*.log";
// 读取之后的是String类型的Dataframe对象，一般需要转换为RDD去处理更方便
// spark会自动去循环目录下的所有文件，可以通过通配符的方式读取你想要的文件
// 通配符的方式还有很多，我这里就不一一概述了
Dataset<String> stringDataset = spark.read().textFile(afsFilePath);
JavaRDD<String> logLinesStr = stringDataset.javaRDD();

JavaRDD<String> logLinesStr = spark.read().textFile(afsFilePath).javaRDD();

Hadoop支持的通配符与Unix bash相同

表1 通配符及其含义

通配符	名称	匹配
*	星号	匹配0或多个任意字符
?	问号	匹配单一字符
[ab]	字符类	匹配{a,b}集合中的一个字符
[^ab]	非字符类	匹配非{a,b}集合中的一个字符
[a-z]	字符范围	匹配一个在{a,z}范围内的字符（包含az），a在字典顺序上要小于z
[^a-z]	非字符范围	匹配一个不在{a,b}范围内的字符（包含ab），a在字典顺序上要小于b
{a,b}	或选择	匹配包含a或b中的一个表达式

方案二：使用循环目录的方式去调用text方法，这种方法适用于需要读取的文件名比较复杂，或者没有规则，而且里面有很多不是你想要的那种文件啥的。

原理很简单，就是传递一个目录，然后去list目录下的文件，然后判断是否是文件下，是就递归，不是就获取文件绝对路径，因为text方法只支持绝对文件路径读取单个文件。

代码写的不是很好哈，有时间了在优化一下，主要就是看一下怎么用就好。不读取带@的，是因为我的系统里面带这个文件名的都是通知文件，不是我想要的。

// 这段代码主要是读取afs上的文件，hdfs的也一样
AFS_URL = "afs://xxx.xxx.xxx";
public Dataset<Row> readFilesByPath(String path) {
        FileSystem fileSystem = null;
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", AFS_URL);
        List<Path> filePathList = new ArrayList<>();
        try {
            fileSystem = FileSystem.get(conf);
            System.out.println("filePath:" + path);
            getFilesInPath(fileSystem, filePathList, path);
        } catch (IOException e) {
            e.printStackTrace();
        }
        Dataset<Row> stringDataset = null;
        for (Path filePath : filePathList) {
            String sulotionPath = filePath.toString();
            stringDataset = stringDataset == null ?
                    spark.read().text(sulotionPath) : stringDataset.union(spark.read().text(sulotionPath));
        }
        return stringDataset;
    }

    /**
     * 递归获取指定目录下的所有文件绝对路径
     */
    private void getFilesInPath(FileSystem fileSystem, List<Path> filesInPath, String filePath)
            throws IOException {
        Path path = new Path(filePath);
        FileStatus[] files = fileSystem.listStatus(path);
        for (FileStatus file : files) {
            if (file.isDirectory()) {
                getFilesInPath(fileSystem, filesInPath, file.getPath().toString());
            } else {
                // 不解析文件名带有@符号的
                if (file.getPath().getName().contains("@")) {
                    continue;
                }
                System.out.println(file.getPath().toString());
                filesInPath.add(file.getPath());
            }
        }
    }