常用文件处理方法

GBK格式内容转码

    val logRdd = sc.hadoopFile(logPath, classOf[TextInputFormat], classOf[LongWritable], classOf[Text])
      .map(p => new String(p._2.getBytes, 0, p._2.getLength, "GBK"))

获取文件路径或文件名

hadoop mr 中使用如下方式
InputSplit inputSplit=(InputSplit)context.getInputSplit();  
String filename=((FileSplit)inputSplit).getPath().getName();  
spark 中

获取文件名中的ip信息,并将文件转码

    val logRdd = sc.hadoopFile(logPath, classOf[TextInputFormat], classOf[LongWritable], classOf[Text])
      .asInstanceOf[HadoopRDD[LongWritable,Text]]
      .mapPartitionsWithInputSplit((inputSplit:InputSplit, iterator:Iterator[(LongWritable, Text)]) => {
        val file = inputSplit.asInstanceOf[FileSplit]
        val fileName = file.getPath.getName()
        val reg = "((2(5[0-5]|[0-4]\\d))|[0-1]?\\d{1,2})(\\.((2(5[0-5]|[0-4]\\d))|[0-1]?\\d{1,2})){3}".r
        val ip = reg.findFirstIn(fileName)
        iterator.map(x => {ip.getOrElse("") + SEPRATOR + new String(x._2.getBytes, 0, x._2.getLength, "GBK")})
      })

你可能感兴趣的:(常用文件处理方法)