pyspark 如何加载压缩的 snappy 文件

Question

我已经使用 python-snappy 压缩了一个文件并将其放入我的 hdfs 存储中。我现在正试图像这样阅读它，但我得到了以下回溯。我找不到如何读取文件的示例，以便我可以处理它。我可以很好地阅读文本文件（未压缩）版本。我应该使用 sc.sequenceFile 吗？谢谢！

I first compressed the file and pushed it to hdfs

python-snappy -m snappy -c gene_regions.vcf gene_regions.vcf.snappy
hdfs dfs -put gene_regions.vcf.snappy /

I then added the following to spark-env.sh
export SPARK_EXECUTOR_MEMORY=16G                                                
export HADOOP_HOME=/usr/local/hadoop                                            

export JAVA_LIBRARY_PATH=$JAVA_LIBRARY_PATH:$HADOOP_HOME/lib/native             
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$HADOOP_HOME/lib/native                 
export SPARK_LIBRARY_PATH=$SPARK_LIBRARY_PATH:$HADOOP_HOME/lib/native           
export SPARK_CLASSPATH=$SPARK_CLASSPATH:$HADOOP_HOME/lib/lib/snappy-java-1.1.1.8-SNAPSHOT.jar

I then launch my spark master and slave and finally my ipython notebook where I am executing the code below.

a_file = sc.textFile("hdfs://master:54310/gene_regions.vcf.snappy")
a_file.first()

---

ValueError Traceback（最近一次调用最后一次） in () ----> 1 a_file.first()

/home/user/Software/spark-1.3.0-bin-hadoop2.4/python/pyspark/rdd.pyc in first(self) 1244 if rs: 1245 return rs[0] -> 1246 raise ValueError("RDD is空") 1247 1248 def isEmpty(self):

值错误：RDD 为空

Working code (uncompressed) text file
a_file = sc.textFile("hdfs://master:54310/gene_regions.vcf")
a_file.first()

输出：u'##fileformat=VCFv4.1'

Answer 1

这里的问题是 python-snappy 与 Hadoop 的 snappy 编解码器不兼容，Spark 在看到“.snappy”后缀时将使用该编解码器来读取数据。它们基于相同的底层算法，但它们不兼容，因为您可以使用一种算法进行压缩并使用另一种算法进行解压缩。

您可以通过首先使用 Spark 或 Hadoop 将数据写入到 snappy 中来完成这项工作。或者让 Spark 将数据作为二进制 blob 读取，然后您自己手动调用 python-snappy 解压缩（请参阅此处的 binaryFiles http://spark.apache.org/docs/latest/api/python/pyspark.html）。二进制 blob 方法有点脆弱，因为它需要将每个输入文件的整个文件放入内存中。但如果你的数据足够小，那就可以了。