Scala 读取HDF5文件

有没有办法使用Scala版本的Spark读取HDF5文件

---

看起来可以用Python（通过Pyspark）完成，但我找不到Scala的任何东西。

HDF5没有Hadoop

InputFormat

实现，因为它不能被任意拆分：

将容器分解成块有点像拿着斧头将其砍成碎片，在过程中盲目地切断内容和智能布线。结果是一团糟，因为HDFS块边界和内部HDF5货物布局或集装箱支撑结构之间没有对齐或关联

---

同一个站点讨论了将HDF5文件转换为Avro文件的可能性，从而使它们能够被Hadoop/Spark读取，但您提到的示例可能是一种更简单的方法，但正如链接文档所提到的，要在Hadoop/Spark中高效地使用HDF5文档，有许多技术难题需要解决。

有一种新产品可以通过Scala从Apache Spark与HDF5对话：

使用上述产品，您可以在Scala中打开并阅读HDF5，如下所示：

//
// HOW TO RUN:
//
// $spark-2.3.0-SNAPSHOT-bin-hdf5s-0.0.1/bin/spark-shell -i demo.scala

import org.hdfgroup.spark.hdf5._
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder().appName("Spark SQL HDF5 example").getOrCreate()

// We assume that HDF5 files (e.g., GSSTF_NCEP.3.2008.12.31.he5) are 
// under /tmp directory. Change the path name ('/tmp') if necessary.
val df=spark.read.option("extension", "he5").option("recursion", "false").hdf5("/tmp/", "/HDFEOS/GRIDS/NCEP/Data Fields/SST")

// Let's print some values from the dataset.
df.show()

// The output will look like below.
//
//+------+-----+------+
//|FileID|Index| Value|
//+------+-----+------+
//|     0|    0|-999.0|
//|     0|    1|-999.0|
//|     0|    2|-999.0|
//...

System.exit(0)

---

答案中有一个示例，说明如何从百万首歌曲数据集中读取多个hdf5文件（压缩为.tar.gz），并提取每个文件的功能，最终生成Spark RDD，其中RDD的每个元素都是每个hdf5文件的一系列功能。

这可能会帮助您开始。