Apache spark 从Spark RDD读取Kryo文件

我是Spark&Scala新手

我需要读取和分析Spark中的一个文件，该文件已在我的scala代码中使用Kryo序列化编写：

import com.esotericsoftware.kryo.Kryo
import com.esotericsoftware.kryo.io.Output

val kryo:Kryo = new Kryo()
val output:Output = new Output(new FileOutputStream("filename.ext",true))

//kryo.writeObject(output, feed) (tested both line)
kryo.writeClassAndObject(output, myScalaObject)

这是一个伪代码，用于创建一个序列化了my对象（myScalaObject）的文件，这是一个复杂对象

该文件似乎写得很好，但当我在Spark RDD中阅读它时遇到了问题

Spark中的伪代码：

val conf = new SparkConf()
    .setMaster("local")
    .setAppName("My application")
    .set("spark.executor.memory", "1g")


conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
conf.set("spark.kryo.registrator", "myScalaObject")

val sc = new SparkContext(conf)

val file=sc.objectFile[myScalaObject]("filename.ext")

val counts = file.count()

当我尝试执行它时，我收到以下错误：

org.apache.spark.SparkException: 
Job aborted: Task 0.0:0 failed 1 times (most recent failure: 
Exception failure: java.io.IOException: file: filename.ext not a SequenceFile)

可以在Spark中读取这种类型的文件吗

如果此解决方案不可行，那么对于创建复杂的文件结构以在Spark中读取，什么是好的解决方案

---

谢谢

如果您想使用

对象文件

阅读，请使用

保存对象文件

写出数据

val myObjects: Seq[MyObject] = ...
val rddToSave = sc.parallelize(myObjects) // Or better yet: construct as RDD from the start.
rddToSave.saveAsObjectFile("/tmp/x")
val rddLoaded = sc.objectFile[MyObject]("/tmp/x")

或者，如

zsxwing

所述，您可以创建文件名的RDD，并使用

map

读取每个文件名的内容。如果要将每个文件读入单独的分区，请将文件名并行化为单独的分区：

def loadFiles(filenames: Seq[String]): RDD[Object] = {
  def load(filename: String): Object = {
    val input = new Input(new FileInputStream(filename))
    return kryo.readClassAndObject(input)
  }
  val partitions = filenames.length
  return sc.parallelize(filenames, partitions).map(load)
}

---

objectFile

用于加载保存为包含序列化对象的SequenceFile的

RDD

。为什么不使用Kryo读取对象并使用

parallel

生成

RDD

？@zsxwing谢谢，好主意，我试试。但是我有很多小文件（5-20mb），不想并行化文件的内容。有没有办法并行化文件名，然后每个服务器读取其文件？创建一个带有文件名的RDD，并使用

map

读取内容？@zsxwing我已经创建了一个带有文件名的RDD并并行化了，工作正常。谢谢，您现在也可以使用

sc.wholeTextFiles

。我得找个时间更新答案。