在 PySpark 中获取序列文件格式的文件的 HDFS 文件路径

Question

我在 HDFS 上的数据是序列文件格式。我正在使用 PySpark（Spark 1.6）并试图实现两件事：

数据路径包含 yyyy/mm/dd/hh 格式的时间戳，我想将其引入数据本身。我试过 SparkContext.wholeTextFiles 但我认为它可能不支持 Sequence 文件格式。
如果我想处理一天的数据并想将日期带入数据中，我该如何处理上述问题？在这种情况下，我将加载 yyyy/mm/dd/* 格式的数据。

感谢任何指针。

Answer 1

如果存储类型与 SQL 类型兼容，并且您使用 Spark 2.0，那就很简单了。进口input_file_name：

from pyspark.sql.functions import input_file_name

读取文件并转换为DataFrame：

df = sc.sequenceFile("/tmp/foo/").toDF()

添加文件名：

df.withColumn("input", input_file_name())

如果此解决方案不适用于您的情况，那么通用方法是直接列出文件（对于 HDFS，您可以使用hdfs3库）：

files = ...

一一读取加上文件名：

def read(f):
    """Just to avoid problems with late binding"""
    return sc.sequenceFile(f).map(lambda x: (f, x))

rdds = [read(f) for f in files]

和工会：

sc.union(rdds)