从 Java 中来自 InputStream 的字符串创建 Spark RDD 或数据帧

Question

我在java中有一个字符串流。 这是来自其他机器上的 csv 文件。 我正在创建一个 InputStream 并从 java 中的 BufferedReader 逐行读取 csv 文件，如下所示。

        //call a method that returns inputStream 


        InputStream stream = getInputStreamOfFile();

        BufferedReader lineStream = new BufferedReader(new InputStreamReader(stream));

        while ((inputLine = lineStream.readLine()) != null) {
            System.out.println("******************new Line***********");
            System.out.println(inputLine);
        }
        lineStream.close();
        stream.close();

现在，我想从中创建一个 spark RDD 或 DataFrame。

一个解决方案是，我不断在每一行创建新的 RDD 并维护全局 RDD 并继续进行 RDD 的联合。 还有其他解决方案吗？

注意：此文件不在同一台机器上。 它来自某个远程存储。 我确实有该文件的 HTTP URL。

Answer 1

如果 inputStream 的内容适合内存，我们可以使用以下内容：

private static List<String> displayTextInputStream(InputStream input) throws IOException {
    // Read the text input stream one line at a time and display each line.
    BufferedReader reader = new BufferedReader(new InputStreamReader(input));
    String line = null;
    List<String> result = new ArrayList<String>();
    while ((line = reader.readLine()) != null) {
        result.add(line);
    }
    return result;
}

现在我们可以将List<String>转换为相应的RDD 。

S3Object fullObject = s3Client.getObject(new GetObjectRequest("bigdataanalytics", each.getKey()));
                            List<String> listVals = displayTextInputStream(fullObject.getObjectContent());
                            JavaRDD<String> s3Rdd = sc.parallelize(listVals);