Apache spark Spark没有从二进制文件读取所有记录
我正在尝试从S3读取Avro文件,如图所示,我能够很好地读取它。我的文件如下,这些文件由5000条记录组成Apache spark Spark没有从二进制文件读取所有记录,apache-spark,deserialization,avro,binaryfiles,spark-avro,Apache Spark,Deserialization,Avro,Binaryfiles,Spark Avro,我正在尝试从S3读取Avro文件,如图所示,我能够很好地读取它。我的文件如下,这些文件由5000条记录组成 s3a://bucket/part-0.avro s3a://bucket/part-1.avro s3a://bucket/part-2.avro val byteRDD: RDD[Array[Byte]] = sc.binaryFiles(s"$s3URL/*.avro").map{ case(file, pds) => { val dis = pds.open() v
s3a://bucket/part-0.avro
s3a://bucket/part-1.avro
s3a://bucket/part-2.avro
val byteRDD: RDD[Array[Byte]] = sc.binaryFiles(s"$s3URL/*.avro").map{ case(file, pds) => {
val dis = pds.open()
val len = dis.available()
val buf = Array.ofDim[Byte](len)
pds.open().readFully(buf)
buf
}}
import org.apache.avro.io.DecoderFactory
val deserialisedAvroRDD = byteRDD.map(record => {
import org.apache.avro.Schema
val schema = new Schema.Parser().parse(schemaJson)
val datumReader = new GenericDatumReader[GenericRecord](schema)
val decoder = DecoderFactory.get.binaryDecoder(record, null)
var datum: GenericRecord = null
while (!decoder.isEnd()) {
datum = datumReader.read(datum, decoder)
}
datum
}
)
deserialisedAvroRDD.count() ---> 3
我正在反序列化binaryAvro消息以生成GenericRecords,我希望反序列化后的RDD有15k条记录,因为每个.avro文件有5k条记录,但是反序列化后我只得到3条记录。有人能帮我找出代码的问题吗?如何一次序列化一条记录 这应该行得通
val recRDD: RDD[GenericRecord] = sc.binaryFiles(s"$s3URL/*.avro").flatMap {
case (file, pds) => {
val schema = new Schema.Parser().parse(schemaJson)
val datumReader = new GenericDatumReader[GenericRecord](schema)
val decoder = DecoderFactory.get.binaryDecoder(pds.toArray(), null)
var datum: GenericRecord = null
val out = ArrayBuffer[GenericRecord]()
while (!decoder.isEnd()) {
out += datumReader.read(datum, decoder)
}
out
}
}
这回答了你的问题吗?这些是二进制Avros,即数组[字节]。问题可能出在
byteRDD
读取中。它不知道记录何时开始和停止。是否有理由将ops分为两个不同的步骤?为什么不使用二进制解码器
读取pds
?为什么不使用二进制解码器读取pds?->你能举个例子吗?