【总结】spark按文本格式和Lzo格式处理Lzo压缩文件的比较
发表于:2026-10-31 作者:千家信息网编辑
千家信息网最后更新 2026年10月31日,1、描述spark中怎么加载lzo压缩格式的文件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
千家信息网最后更新 2026年10月31日【总结】spark按文本格式和Lzo格式处理Lzo压缩文件的比较
1、描述spark中怎么加载lzo压缩格式的文件
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.lzoConnecting to namenode via http://nn1.zdp.ol:50070FSCK 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:2FSCK 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.LzoTextInputFormatimport 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 }}
文件
方式
个数
格式
数据
输出
处理
任务
后台
所在
数量
文件夹
源代码
索引
路径
a.
b.
中生
分配
参考
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
互联网科技
互联网科技有限公司
国智互联网科技
科技平台互联网
科技创新与互联网经济
重庆互联网络科技
互联网的科技创新
互联网科技公司发展
深圳天众互联网科技公司
互联网金融和金融科技
深圳卡尔迅互联网科技有限公司怎么样
华脉科技工业互联网产品
华中科技有哪些互联网大佬
开启互联网科技时代小说
互联网科技公司有风险吗
互联网与医疗科技
上海科技产业互联网平台
互联网科技接地气
互联网高科技行业有哪些企业
银川新华互联网科技学校招聘
科技与互联网
互联网科技有限公司图片
成都互联网科技公司
联恩商钥互联网科技有限公司
西藏七维空间互联网科技有限公司
西安小鹰速贷互联网科技有限公司
南博望互联网科技有限公司
产业互联网科技服务公司
广州有谷有贝互联网科技有限公司
广西科技产业互联网是什么