Scala 分别处理spark中的多个目录

我在HDFS中有一个目录列表，每个目录包含几个文件。我的目标是将一个目录中的所有文件合并到一个文件中，但要分别针对每个目录。在spark中，最快的方法是什么？按顺序迭代所有目录太慢。所以我想同时做。一种解决方案可能是使用线程池。也许有更好更快更地道的

---

谢谢

考虑以下测试目录

foo

和

bar

，其中包含以下文件：

cat /tmp/foo/0.csv
4
cat /tmp/foo/1.csv
3
cat /tmp/bar/0.csv
7

我们可以使用以下代码片段阅读它们：

val df = spark.read.csv("/tmp/foo", "/tmp/bar")
  .withColumn("dir", regexp_extract(input_file_name(), """([^/]*)/[^/]+\.csv$""", 1))
df.show()
/*
+---+---+
|_c0|dir|
+---+---+
|4  |foo|
|3  |foo|
|7  |bar|
+---+---+
*/

函数

input\u file\u name

给出了文件的绝对路径，因此我们可以使用它来获取目录。函数

regexp\u extract

仅用于转换，例如

/tmp/foo/1.csv->foo

Spark写入文件时，每个分区输出一个文件。因此，我们需要按列

dir

重新分区，以合并每个dir下的所有文件。最后，我们还可以使用

partitionBy

将目录名添加到输出文件结构中。比如说

df.repartition($"dir")
  .write
  .partitionBy("dir")
  .csv("/tmp/out")

将生成文件

/tmp/out/._SUCCESS.crc
/tmp/out/dir=bar/.part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv.crc
/tmp/out/dir=bar/part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
/tmp/out/_SUCCESS
/tmp/out/dir=foo/part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
/tmp/out/dir=foo/.part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv.crc

其中

/tmp/out/dir=bar/part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv

包含

7

4
3

和

/tmp/out/dir=foo/part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv

包含

7

4
3

如果没有定制的Hadoop

文件系统

类等，则无法将这些输出文件写入与原始输入相同的目录结构