从Spark RDD读取Kryo文件

Question

我是Spark & Scala新手。

我需要读取和分析Spark中的一个文件，该文件是在我的scala代码中使用Kryo序列化编写的：

import com.esotericsoftware.kryo.Kryo
import com.esotericsoftware.kryo.io.Output

val kryo:Kryo = new Kryo()
val output:Output = new Output(new FileOutputStream("filename.ext",true))

//kryo.writeObject(output, feed) (tested both line)
kryo.writeClassAndObject(output, myScalaObject)

这是一个伪代码，用于创建一个序列化了我的对象(myScalaObject)的文件，这是一个复杂的对象。

这个文件看起来写得很好，但是当我在Spark RDD中读取它时，我遇到了问题

Spark中的伪代码：

val conf = new SparkConf()
    .setMaster("local")
    .setAppName("My application")
    .set("spark.executor.memory", "1g")


conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
conf.set("spark.kryo.registrator", "myScalaObject")

val sc = new SparkContext(conf)

val file=sc.objectFile[myScalaObject]("filename.ext")

val counts = file.count()

当我试图执行它时，我收到了这个错误：

org.apache.spark.SparkException: 
Job aborted: Task 0.0:0 failed 1 times (most recent failure: 
Exception failure: java.io.IOException: file: filename.ext not a SequenceFile)

可以在Spark中读取这种类型的文件吗？

如果这个解决方案不可行，那么创建一个复杂文件结构来读取Spark有什么好的解决方案呢？

谢谢

Answer 1

如果你想用objectFile读数据，用saveAsObjectFile写出数据。

val myObjects: Seq[MyObject] = ...
val rddToSave = sc.parallelize(myObjects) // Or better yet: construct as RDD from the start.
rddToSave.saveAsObjectFile("/tmp/x")
val rddLoaded = sc.objectFile[MyObject]("/tmp/x")

或者，正如zsxwing所说，您可以创建文件名的RDD，并使用map读取每个文件名的内容。如果希望将每个文件读取到单独的分区中，请将文件名并行到单独的分区中：

def loadFiles(filenames: Seq[String]): RDD[Object] = {
  def load(filename: String): Object = {
    val input = new Input(new FileInputStream(filename))
    return kryo.readClassAndObject(input)
  }
  val partitions = filenames.length
  return sc.parallelize(filenames, partitions).map(load)
}