Я только начинаю в Spark & Scala
У меня есть каталог с несколькими файлами, я успешно загружаю их, используя
sc.wholeTextFiles(directory)
Теперь я хочу подняться на один уровень выше. На самом деле у меня есть каталог, содержащий подкаталоги, содержащие файлы. Моя цель — получить RDD[(String,String)]
, чтобы двигаться вперед, где RDD
представляет имя и содержимое файла.
Я пробовал следующее:
val listOfFolders = getListOfSubDirectories(rootFolder)
val input = listOfFolders.map(directory => sc.wholeTextFiles(directory))
но у меня есть Seq[RDD[(String,String)]]
Как преобразовать этот Seq
в RDD[(String,String)]
?
Или, может быть, я делаю что-то не так, и мне следует попробовать другой подход?
Изменить: добавлен код
// HADOOP VERSION
val rootFolderHDFS = "hdfs://****/"
val hdfsURI = "hdfs://****/**/"
// returns a list of folders (currently about 800)
val listOfFoldersHDFS = ListDirectoryContents.list(hdfsURI,rootFolderHDFS)
val inputHDFS = listOfFoldersHDFS.map(directory => sc.wholeTextFiles(directory))
// RDD[(String,String)]
// val inputHDFS2 = inputHDFS.reduceRight((rdd1,rdd2) => rdd2 ++ rdd1)
val init = sc.parallelize(Array[(String, String)]())
val inputHDFS2 = inputHDFS.foldRight(init)((rdd1,rdd2) => rdd2 ++ rdd1)
// returns org.apache.spark.SparkException: Job aborted due to stage failure: Task serialization failed: java.lang.StackOverflowError
println(inputHDFS2.count)