Scala 火花整个纺织品-许多小文件
我想通过spark接收许多小文本文件到拼花地板。目前,我使用Scala 火花整个纺织品-许多小文件,scala,apache-spark,optimization,geotools,Scala,Apache Spark,Optimization,Geotools,我想通过spark接收许多小文本文件到拼花地板。目前,我使用wholeTextFiles并执行一些额外的解析 更准确地说,这些小文本文件是ESRi ASCII网格文件,每个文件的最大大小约为400kb。GeoTools用于解析它们,如下所述 您是否看到任何优化的可能性?也许是为了避免创建不必要的对象?或者更好地处理小文件的东西。我想知道只获取文件路径并手动读取它们是否比使用String->ByteArrayInputStream更好 case class RawRecords(path: Str
wholeTextFiles
并执行一些额外的解析
更准确地说,这些小文本文件是ESRi ASCII网格文件,每个文件的最大大小约为400kb。GeoTools用于解析它们,如下所述
您是否看到任何优化的可能性?也许是为了避免创建不必要的对象?或者更好地处理小文件的东西。我想知道只获取文件路径并手动读取它们是否比使用String->ByteArrayInputStream
更好
case class RawRecords(path: String, content: String)
case class GeometryId(idPath: String, value: Double, geo: String)
@transient lazy val extractor = new PolygonExtractionProcess()
@transient lazy val writer = new WKTWriter()
def readRawFiles(path: String, parallelism: Int, spark: SparkSession) = {
import spark.implicits._
spark.sparkContext
.wholeTextFiles(path, parallelism)
.toDF("path", "content")
.as[RawRecords]
.mapPartitions(mapToSimpleTypes)
}
def mapToSimpleTypes(iterator: Iterator[RawRecords]): Iterator[GeometryId] = iterator.flatMap(r => {
val extractor = new PolygonExtractionProcess()
// http://docs.geotools.org/latest/userguide/library/coverage/arcgrid.html
val readRaster = new ArcGridReader(new ByteArrayInputStream(r.content.getBytes(StandardCharsets.UTF_8))).read(null)
// TODO maybe consider optimization of known size instead of using growable data structure
val vectorizedFeatures = extractor.execute(readRaster, 0, true, null, null, null, null).features
val result: collection.Seq[GeometryId] with Growable[GeometryId] = mutable.Buffer[GeometryId]()
while (vectorizedFeatures.hasNext) {
val vectorizedFeature = vectorizedFeatures.next()
val geomWKTLineString = vectorizedFeature.getDefaultGeometry match {
case g: Geometry => writer.write(g)
}
val geomUserdata = vectorizedFeature.getAttribute(1).asInstanceOf[Double]
result += GeometryId(r.path, geomUserdata, geomWKTLineString)
}
result
})
我有以下建议:
wholeTextFile
->mapPartitions
->转换为数据集。为什么?如果对数据集进行mapPartitions
,则所有行都将从内部格式转换为对象-这会导致额外的序列化二进制文件
,它将为您提供流
,这样您就可以在mapPartitions
钨丝压缩不应该弥补所有的物体问题吗?是否有类似于
wholeBinaryFiles
的东西可以为我提供路径和整个文件?@GeorgHeiler您可以使用SparkContext.binaryFiles
,它返回pair FilePath,datastream什么类型的流是PortableDataStream
?使用'new ArcGridReader(r._2).read(null)`时,我得到一个错误arcgrid:Unsupported input type
。Edit应该支持任何常规输入流:它工作正常,我错过了对PortableDataStream
上的open
的调用。我现在要做一些分析。我最终希望有一个数据帧转储到拼花地板。正在使用spark.read.text
。你认为用这个替代会更好吗?但这同样会导致许多字符串对象。如果有帮助,请参阅我的答案,但这同样适用于dataframe: