我想使用 sc.textFile("path/to/file.Z") 的等效项将 gzip 压缩文件读入 RDD[String]。
如果不是gz，而是Z，则我的文件扩展名除外，因此文件不会被识别为gzip。
我无法重命名它们，因为它会破坏生产代码。我不想复制它们，因为它们很大而且很多。我想我可以使用某种符号链接，但我想先看看 scala/spark 是否有办法（我现在在本地 Windows 机器上）。
我怎样才能有效地阅读这个文件？
【问题讨论】：
标签： scala apache-spark
这里有解决此问题的解决方法http://arjon.es/2015/10/02/reading-compressed-data-with-spark-using-unknown-file-extensions/
相关部分：
...扩展 GzipCodec 并覆盖 getDefaultExtension 方法。
package smx.ananke.spark.util.codecs
import org.apache.hadoop.io.compress.GzipCodec
class TmpGzipCodec extends GzipCodec {
override def getDefaultExtension(): String = ".gz.tmp" // You should change it to ".Z"
}
现在我们刚刚注册了这个编解码器，设置 SparkConf 上的 spark.hadoop.io.compression.codecs：
val conf = new SparkConf()
// Custom Codec that process .gz.tmp extensions as a common Gzip format
conf.set("spark.hadoop.io.compression.codecs", "smx.ananke.spark.util.codecs.TmpGzipCodec")
val sc = new SparkContext(conf)
val data = sc.textFile("s3n://my-data-bucket/2015/09/21/13/*")
【讨论】：