1、描述spark中怎么加载lzo压缩格式的文件
创新互联建站专注于企业成都全网营销推广、网站重做改版、延边朝鲜族网站定制设计、自适应品牌网站建设、HTML5建站、商城网站定制开发、集团公司官网建设、外贸网站制作、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为延边朝鲜族等各大城市提供网站开发制作服务。
2、比较lzo格式文件以textFile方式和LzoTextInputFormat方式计算数据，Running Tasks个数的影响
a.确保lzo文件所在文件夹中生成lzo.index索引文件
（对该lzo压缩文件进行index操作，生成lzo.index文件，map操作才可以进行split
hadoop jar ${HADOOP_HOME}/lib/hadoop-lzo.jar com.hadoop.compression.lzo.DistributedLzoIndexer /wh/source/）
b.以LzoTextInputFormat处理，能够正常按分块数分配Tasks
查看文件块数量
[tech@dx2 ~]$ hdfs fsck /wh/source/hotel.2017-08-07.txt_10.10.10.10_20170807.lzo Connecting to namenode via http://nn1.zdp.ol:50070 FSCK started by bwtech (auth:SIMPLE) from /10.10.10.10 for path /wh/source/hotel.2017-08-07.txt_10.10.16.105_20170807.lzo at Tue Aug 08 15:27:52 CST 2017 .Status: HEALTHY Total size:2892666412 B Total dirs:0 Total files:1 Total symlinks:0 Total blocks (validated):11 (avg. block size 262969673 B) Minimally replicated blocks:11 (100.0 %) Over-replicated blocks:0 (0.0 %) Under-replicated blocks:0 (0.0 %) Mis-replicated blocks:0 (0.0 %) Default replication factor:3 Average block replication:3.0 Corrupt blocks:0 Missing replicas:0 (0.0 %) Number of data-nodes:21 Number of racks:2 FSCK ended at Tue Aug 08 15:27:52 CST 2017 in 3 milliseconds
Spark源代码可以参考https://github.com/chocolateBlack/LearningSpark/blob/master/src/main/scala-2.11/SparkLzoFile.scala
import com.hadoop.mapreduce.LzoTextInputFormat
import org.apache.hadoop.io.{Text, LongWritable}
import org.apache.spark.{SparkContext, SparkConf}
object SparkLzoFile{
def main(args:Array[String]){
val conf = new SparkConf().setAppName("Spark_Lzo_File")
val sc = new SparkContext(conf)
//文件路径
val filePath = "/wh/source/hotel.2017-08-07.txt_10.10.10.10_20170807.lzo"
//按textFile方式加载文件
val textFile = sc.textFile(filePath)
//按lzoTextInputFormat加载数据文件
val lzoFile = sc.newAPIHadoopFile[LongWritable, Text, LzoTextInputFormat](filePath)
println(textFile.partitions.length)// partitions个数输出 1
println(lzoFile.partitions.length)// partitions个数输出 11
//两种方式计算word count查看后台任务
lzoFile.map(_._2.toString).flatMap(x=>x.split("-")).map((_,1)).reduceByKey(_+_).collect
textFile.flatMap(x=>x.split("\t")).map((_,1)).reduceByKey(_+_).collect
}
}
