代码之家 › 专栏 › 技术社区 › JetS79

如何使用scala to spark从Blob存储中读取文件

blob apache-spark azure scala

JetS79 · 技术社区 · 7 年前

我有一段在本地工作的scala代码

val test = "resources/test.csv"

val trainInput = spark.read
  .option("header", "true")
  .option("inferSchema", "true")
  .format("com.databricks.spark.csv")
  .load(train)
  .cache

但是,当我尝试在azure上运行它时,spark会提交作业并调整以下行:

val test = "wasb:///tmp/MachineLearningScala/test.csv"

它不起作用。如何使用scala引用azure中blob存储中的文件?这应该是直截了当的。

1 回复 | 直到 7 年前

koiralo 7 年前

如果您使用的是sbt,请将此依赖项添加到Build。sbt公司

"org.apache.hadoop" % "hadoop-azure" % "2.7.3"

对于maven,将依赖项添加为

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-azure</artifactId>
    <version>2.7.0</version>
</dependency>

要从blob存储中读取文件,需要定义要在底层Hadoop配置中使用的文件系统。

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 ")

并阅读 csv 文件为

  val path = "wasb[s]://BlobStorageContainer@yourUser.blob.core.windows.net"
  val dataframe = spark.read
    .option("header", "true")
    .option("inferSchema", "true")
    .csv(path + "/tmp/MachineLearningScala/test.csv")

here 就是这个例子希望这有帮助!

推荐文章

Geoffrey · Pyspark:将数据帧保存到多个具有单个文件特定大小的镶木地板文件中

1 年前

Bruno Peixoto · Spark群集CI管道构建失败

1 年前

codebot · 将df从pandas转换为PySpark时会删除列名

2 年前

mcsilvio · 在foreach中组织联接的最佳方式是什么?

2 年前

Dhruv · 在sbt控制台上运行Spark

2 年前

Leonard · Pyspark:JSON到Pyspark数据帧

2 年前

billie class · 将列中的值重写为列表中的下一个值

2 年前

Calcutta · Google Colab中的Spark SQL在大数据上失败

3 年前

Doraemon · PySpark:使用不同值的字符串类型列创建聚合列

3 年前

OdiumPura · 使用JDBC(Sql server)查询tempview

3 年前