使用sc.textFile以递归方式从子目录中获取文件内容

似乎SparkContext textFile只希望文件存在于给定的目录位置 – 它也不存在

• （a）递归或
• （b）甚至支持目录（尝试将目录读取为文件）

任何建议如何构造递归 – 可能比手动创建递归文件列表/下降逻辑更简单？

这是用例：文件下

/数据/表/ MY_TABLE

我希望能够通过hdfs调用该父目录下所有目录级别的所有文件。

UPDATE

sc.textFile（）通过（子类）TextInputFormat调用Hadoop FileInputFormat。 在逻辑内部存在执行递归目录读取 – 即首先检测条目是否是目录，如果是，则降序：

 for (FileStatus globStat: matches) { 218 if (globStat.isDir()) { 219 for(FileStatus stat: fs.listStatus(globStat.getPath(), 220 inputFilter)) { 221 result.add(stat); 222 } 223 } else { 224 result.add(globStat); 225 } 226 } 

但是，在调用sc.textFile时，目录条目上存在错误：“not a file”。 这种行为令人困惑 – 因为似乎有适当的支持来处理目录。

Answer 1

我在看旧版的FileInputFormat ..

在设置递归配置之前 mapreduce.input.fileinputformat.input.dir.recursive

 scala> sc.textFile("dev/*").count java.io.IOException: Not a file: file:/shared/sparkup/dev/audit-release/blank_maven_build 

默认值为null / not set，其值为“false”：

 scala> sc.hadoopConfiguration.get("mapreduce.input.fileinputformat.input.dir.recursive") res1: String = null 

后：

现在设置值：

 sc.hadoopConfiguration.set("mapreduce.input.fileinputformat.input.dir.recursive","true") 

现在重试递归操作：

 scala>sc.textFile("dev/*/*").count .. res5: Long = 3481 So it works. 

@Ben为每条评论添加/ 更新完整递归

Answer 2

我发现必须按以下方式设置这些参数：

 .set("spark.hive.mapred.supports.subdirectories","true") .set("spark.hadoop.mapreduce.input.fileinputformat.input.dir.recursive","true")