Sparklyr：使用调用方法列出 R 中目录的内容

Question

无法找到用于通过 Spark 列出目录内容的内置 sparklyr，我正在尝试使用 invoke：

sc <- spark_connect(master = "yarn", config=config)
path <- 'gs:// ***path to bucket on google cloud*** '
spath <- sparklyr::invoke_new(sc, 'org.apache.hadoop.fs.Path', path) 
fs <- sparklyr::invoke(spath, 'getFileSystem')
list <- sparklyr:: invoke(fs, 'listLocatedStatus') 

Error: java.lang.Exception: No matched method found for class org.apache.hadoop.fs.Path.getFileSystem
    at sparklyr.Invoke.invoke(invoke.scala:134)
    at sparklyr.StreamHandler.handleMethodCall(stream.scala:123)
    at sparklyr.StreamHandler.read(stream.scala:66) ...

注意：是否有关于分布式代码可重现示例的指南？鉴于我正在针对特定的 Spark 环境运行，我不知道如何制作其他人可以效仿的示例。

Answer 1

getFileSystem方法takesorg.apache.hadoop.conf.Configuration对象作为第一个参数：

public FileSystem getFileSystem(Configuration conf)
                     throws IOException

返回拥有此路径的文件系统。

参数：

conf - 解析文件系统时使用的配置

因此，检索FileSystem 实例的代码应该或多或少像这样：

# Retrieve Spark's Hadoop configuration
hconf <- sc %>% spark_context() %>% invoke("hadoopConfiguration")
fs <- sparklyr::invoke(spath, 'getFileSystem', hconf)

另外listLocatedStatustakes either Path

public org.apache.hadoop.fs.RemoteIterator<LocatedFileStatus> listLocatedStatus(Path f)
                                                                     throws FileNotFoundException,
                                                                            IOException

或Path and PathFilter（注意这个实现是protected）：

public org.apache.hadoop.fs.RemoteIterator<LocatedFileStatus> listLocatedStatus(Path f)
                                                                    throws FileNotFoundException,
                                                                            IOException

因此，如果您想按上述方式构建代码，则必须至少提供一条路径

sparklyr:: invoke(fs, "listLocatedStatus", spath)

在实践中，直接获取FileSystem 可能更容易：

fs <- invoke_static(sc, "org.apache.hadoop.fs.FileSystem", "get",  hconf)

并使用globStatus

lls <- invoke(fs, "globStatus", spath)

其中spath 是带有通配符的路径，例如：

sparklyr::invoke_new(sc, 'org.apache.hadoop.fs.Path', "/some/path/*")

结果将是一个 R list，可以轻松迭代：

lls  %>%
    purrr::map(function(x) invoke(x, "getPath") %>% invoke("toString"))

学分：

The answerHow can one list all csv files in an HDFS location within the Spark Scala shell?@jaime

注意事项：

• 一般来说，如果您与重要的 Java API 进行交互，那么使用 Java 或 Scala 编写代码并提供最小的 R 接口会更有意义。
• 对于与特定文件对象存储的交互，使用专用包可能更容易。对于 Google Cloud Storage，您可以查看 googleCloudStorageR。