代码之家 › 专栏 › 技术社区 › Rahul Shaw

如何在azure hdinsight spark群集上使用自定义元数据文件

azure-blob-storage azure-hdinsight pyspark apache-spark azure

Rahul Shaw · 技术社区 · 7 年前

我有一个从加载数据的用例。在azure HDinsight spark群集上运行作业时的dat文件(存储在azure blob存储中)。我通过了 this doc加载它,在python(pyspark)中如下所示:

file='wasb:///<container_name>/<path>/CITYIP.dat'
with open(file) as f:
    print f.read()

它抛出 IOError: No such file or directory .我觉得我做错了什么。

有人能告诉我使用pyspark在azure HDinsight spark集群中加载文件的正确方向吗?

1 回复 | 直到 7 年前

koiralo 7 年前

要读取文件并加载spark,请确保 hadoop-azure 已添加依赖项 "org.apache.hadoop" % "hadoop-azure" % "2.7.3"

然后定义要在底层Hadoop配置中使用的文件系统。

val spark = SparkSession.builder().appName("read azure storage").master("local[*]").getOrCreate()

spark.sparkContext.hadoopConfiguration.set("fs.azure", "org.apache.hadoop.fs.azure.NativeAzureFileSystem")
spark.sparkContext.hadoopConfiguration.set("fs.azure.account.key.yourAccount.blob.core.windows.net", "yourKey ")

val baseDir = "wasb[s]://BlobStorageContainer@yourUser.blob.core.windows.net/"

现在将文本文件读取为

val file = spark.read.textFile(baseDir + "pathToTextFile")

注: 上面的代码是scala的,希望您可以在 pyspark

Here 是我测试的完整程序

推荐文章

ankush reddy · 如何在spark HDInsight群集上安装tensorflow?

7 年前

Siddiqui Mind · 使用按需HD Insight群集从Azure datafactory V2访问datalake

7 年前

Ahmad Osama · 将数据从Apache Storm插入Azure Cosmos DB

7 年前

user9010901 · Spark SQL-Select生成AttributeError:“module”对象没有属性“api”

7 年前

pythonic · 如何访问Microsoft Azure HDInsight中的blob存储?

7 年前

user3843858 · 如何连接Azure analysis services中的Data Lake store

8 年前

user3843858 · 我想读取一个源文件,并将数据写入Spark scala中带有附加标识列的.Csv文件

8 年前

Arnab · 通过HDInsight中的RDP使用PIG时,绝对URI错误中的相对路径

10 年前

user1907849 · 将扫描命令转换为windows中的文本文件

10 年前