Scala 使用spark读取带有自定义扩展名*的压缩文件*

我想使用

sc.textFile（“path/to/file.Z”）

的等价物将gzip压缩文件读入

RDD[String]

除非我的文件扩展名不是

gz

，而是

Z

，否则文件不会被识别为gzip

我不能重命名它们，因为这会破坏生产代码。我不想复制它们，因为它们体积庞大，数量众多。我想我可以使用某种符号链接，但我想先看看是否有办法使用scala/spark（我现在在本地的windows机器上）

---

如何有效地读取此文件？

这里有一个解决方法来解决此问题

有关章节：

…扩展GzipCodec并重写getDefaultExtension方法

现在我们刚刚注册了这个编解码器，设置 SparkConf上的spark.hadoop.io.compression.codec：

---

相关：也相关：在读取文件时，有一个关于添加显式指定压缩编解码器的方法，因此Spark不会从文件扩展名推断压缩编解码器。如果有人需要在托管服务中作为DataRicks执行此操作，我已在此处创建了生成库的项目

package smx.ananke.spark.util.codecs

import org.apache.hadoop.io.compress.GzipCodec

class TmpGzipCodec extends GzipCodec {

  override def getDefaultExtension(): String = ".gz.tmp" // You should change it to ".Z"

}

val conf = new SparkConf()

// Custom Codec that process .gz.tmp extensions as a common Gzip format
conf.set("spark.hadoop.io.compression.codecs", "smx.ananke.spark.util.codecs.TmpGzipCodec")

val sc = new SparkContext(conf)

val data = sc.textFile("s3n://my-data-bucket/2015/09/21/13/*")