如何将二进制文件从 hdfs 读入 Spark 数据帧？

Question

我正在尝试将一些代码从 pandas 移植到 (py)Spark。不幸的是，我已经在输入部分失败了，我想在其中读取二进制数据并将其放入 Spark Dataframe 中。

到目前为止，我正在使用来自 numpy 的fromfile：

dt = np.dtype([('val1', '<i4'),('val2','<i4'),('val3','<i4'),('val4','f8')])
data = np.fromfile('binary_file.bin', dtype=dt)
data=data[1:]                                           #throw away header
df_bin = pd.DataFrame(data, columns=data.dtype.names)

但是对于 Spark，我找不到如何去做。到目前为止，我的解决方法是使用 csv-Files 而不是二进制文件，但这不是一个理想的解决方案。我知道我不应该将 numpy 的 fromfile 与 spark 一起使用。 如何读取已经加载到 hdfs 中的二进制文件？

我尝试了类似的东西

fileRDD=sc.parallelize(['hdfs:///user/bin_file1.bin','hdfs:///user/bin_file2.bin])
fileRDD.map(lambda x: ???)

但它给了我一个No such file or directory 错误。

我看过这个问题： spark in python: creating an rdd by loading binary data with numpy.fromfile 但这仅在我将文件存储在驱动程序节点的主目录中时才有效。

Answer 1

因此，对于像我一样从 Spark 开始并偶然发现二进制文件的任何人。以下是我的解决方法：

dt=np.dtype([('idx_metric','>i4'),('idx_resource','>i4'),('date','>i4'),
             ('value','>f8'),('pollID','>i2')])
schema=StructType([StructField('idx_metric',IntegerType(),False),
                   StructField('idx_resource',IntegerType(),False), 
                   StructField('date',IntegerType),False), 
                   StructField('value',DoubleType(),False), 
                   StructField('pollID',IntegerType(),False)])

filenameRdd=sc.binaryFiles('hdfs://nameservice1:8020/user/*.binary')

def read_array(rdd):
    #output=zlib.decompress((bytes(rdd[1])),15+32) # in case also zipped
    array=np.frombuffer(bytes(rdd[1])[20:],dtype=dt) # remove Header (20 bytes)
    array=array.newbyteorder().byteswap() # big Endian
    return array.tolist()

unzipped=filenameRdd.flatMap(read_array)
bin_df=sqlContext.createDataFrame(unzipped,schema)

现在您可以在 Spark 中使用您的数据框做任何您想做的事情。

Answer 2

编辑： 请查看此处提到的 sc.binaryFiles 的使用： https://stackoverflow.com/a/28753276/5088142

---

尝试使用：

hdfs://machine_host_name:8020/user/bin_file1.bin

您是 core-site.xml

中 fs.defaultFS 中的主机名

Answer 3

从 Spark 3.0 开始，Spark 支持二进制文件数据源，即读取二进制文件并将每个文件转换为包含文件原始内容和元数据的单个记录。

https://spark.apache.org/docs/latest/sql-data-sources-binaryFile.html

Answer 4

我最近做了这样的事情：

from struct import unpack_from

# creates an RDD of binaryrecords for determinted record length
binary_rdd = sc.binaryRecords("hdfs://" + file_name, record_length)

# map()s each binary record to unpack() it
unpacked_rdd = binary_rdd.map(lambda record: unpack_from(unpack_format, record))

# registers a data frame with this schema; registerTempTable() it as table_name
raw_df = sqlc.createDataFrame(unpacked_rdd, sparkSchema)
raw_df.registerTempTable(table_name)

其中 unpack_format 和 sparkSchema 必须“同步”。

• unpack_format 采用 Python 的 unpack() 和 unpack_from() 函数使用的格式，如中所述 https://docs.python.org/2/library/struct.html#format-characters

• sparkSchema 是定义数据框架构的变量。请参阅https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html#pyspark.sql.SQLContext.createDataFrame

处的示例

我有一个动态生成 unpack_format 和 sparkSchema 变量的脚本；两者同时。 （它是一个更大的代码库的一部分，所以为了便于阅读，这里不张贴）

unpack_format 和 sparkSchema 可以定义如下，例如，

from pyspark.sql.types import *

unpack_format = '<'   # '<' means little-endian: https://docs.python.org/2/library/struct.html#byte-order-size-and-alignment
sparkSchema = StructType()
record_length = 0

unpack_format += '35s'    # 35 bytes that represent a character string
sparkSchema.add("FirstName", 'string', True)  # True = nullable
record_length += 35

unpack_format += 'H'    # 'H' = unsigned 2-byte integer
sparkSchema.add("ZipCode", 'integer', True)
record_length += 2

# and so on for each field..