如何解决spark开发中遇到需要去掉文件前几行数据的问题

我的原创地址：https://dongkelun.com/2018/05/27/sparkDelFirstNLines/

前言

我碰到的问题是这样的，我需要读取压缩文件里的数据存到hive表里，压缩文件解压之后是一个txt，这个txt里前几行的数据是垃圾数据，而这个txt文件太大，txt是直接打不开的，所以不能手动打开删除前几行数据，而这个文件是业务人员从别人那拿到的所以也不能改，本文就是讲如何解决这个问题。

1、数据

首先造几条数据，以理解我的需求
data.txt

 id name addr time ------------ ------------------- --------------- -------------------- 1 zhangsan shanghai 2018-05-25 2 zhangsan shanghai 2018-05-25 3 zhangsan shanghai 2018-05-25 4 zhangsan shanghai 2018-05-25 5 zhangsan shanghai 2018-05-25

其中前三行是我不想要的数据，第一行为空，第二行为字段名，第三行应该是为了美观单独加了一行。

2、尝试用代码解决

2.1 思路一

用zipWithIndex给rdd加上索引，索引从0开始依次次递增1

val path = "files/data.txt" val rdd = sc.textFile(path) println("分区数：" + rdd.getNumPartitions) val rdd1 = rdd.zipWithIndex() //过滤掉索引小于等于2的 val rdd2 = rdd1.filter(_._2 > 2) rdd1.foreach(println) println("**********分割线***********") rdd2.map(kv => kv._1).foreach(println)

分区数：1 (,0) (id name addr time ,1) (------------ ------------------- --------------- --------------------,2) (1 zhangsan shanghai 2018-05-25,3) (2 zhangsan shanghai 2018-05-25,4) (3 zhangsan shanghai 2018-05-25,5) (4 zhangsan shanghai 2018-05-25,6) (5 zhangsan shanghai 2018-05-25,7) **********分割线*********** 1 zhangsan shanghai 2018-05-25 2 zhangsan shanghai 2018-05-25 3 zhangsan shanghai 2018-05-25 4 zhangsan shanghai 2018-05-25 5 zhangsan shanghai 2018-05-25

将rdd的分区改为8（大于1即可）测试一下
将

val rdd = sc.textFile(path)

改为

val rdd = sc.textFile(path, 8)

发现结果是一样的
因为我不太熟悉读取本地数据分区和读取hdfs数据分区的是否一样，所以将数据放在分布式的hdfs上测试一下
首先将data.txt上传的hdfs上

hadoop fs -put data.txt /tmp/dkl/

将代码中的path改为

val path = "hdfs://ambari.master.com:8020/tmp/dkl/data.txt"

发现最后的结果也是一样的（分区数可能不一样）
那么这样看来这个思路是可以解决这个问题的，但是我举得例子数据量比较少，在实际工作中数据量大的话，用zipWithIndex会有性能问题。

2.2 思路2

尝试直接获取rdd的前几行数据，然后过滤掉这几行数据，但是这个前提是前几行数据在rdd里是唯一的，否在会过滤掉其他行一样的数据，我的使用场景是删掉垃圾数据，如果其他行也有一样的数据，那么正好删掉了~

val path = "files/data.txt" val rdd = sc.textFile(path, 8) println("分区数：" + rdd.getNumPartitions) //前三条 val arr = rdd.take(3) //过滤掉arr里的数据 val rdd3 = rdd.filter(!arr.contains(_)) rdd3.foreach(println)

结果

分区数：8 1 zhangsan shanghai 2018-05-25 2 zhangsan shanghai 2018-05-25 3 zhangsan shanghai 2018-05-25 4 zhangsan shanghai 2018-05-25 5 zhangsan shanghai 2018-05-25

从结果看是可以解决我的问题，且和分区多少无关，大家可以试一下。

2.3 关于rdd前几行的定义

一开始我对于rdd前几行的数据的定义是有疑惑的，不知道改变rdd分区的数目，通过rdd.first或者rdd.take获取到的前几条数据是否是固定的，此次通过写代码测试，确定是和分区无关的，而且我担心测试数据量过小，将1.5G的txt放在hdfs测试，并且不指定分区数目（默认）进行测试，发现分区默认大小13，前几行数据依旧是固定，由此更加确认和rdd分区无关。

2.4 关于rdd重新分区

可通过repartition和coalesce对rdd进行重新分区，通过如下代码测试

rdd.repartition(3).take(3).foreach(println) rdd.coalesce(3).take(3).foreach(println)

通过结果得出coalesce之后顺序和之前的顺序是一样的，而repartition之后的顺序和之前不一样了，也就是如果rdd进行repartition之后的前几行和原来的前几行是不一样的，但是重新分区的数目固定的话，每次repartition之后的顺序是一样的。
注：repartition 内部实现调用的 coalesce 且为coalesce中 shuffle = true的实现
关于Spark中repartition和coalesce的使用场景，参考Spark中repartition和coalesce的区别与使用场景解析
因为我没有repartition的需求，所以可以通过2.2的代码解决我的问题，且如果有repartition的需求，可以在删掉前几行之后再repartition~

3、通过Linux命令删除文件前几行

命令如下：

cat data.txt id name addr time ------------ ------------------- --------------- -------------------- 1 zhangsan shanghai 2018-05-25 2 zhangsan shanghai 2018-05-25 3 zhangsan shanghai 2018-05-25 4 zhangsan shanghai 2018-05-25 5 zhangsan shanghai 2018-05-25

tail -n+4 data.txt > data_new.txt cat data_new.txt 1 zhangsan shanghai 2018-05-25 2 zhangsan shanghai 2018-05-25 3 zhangsan shanghai 2018-05-25 4 zhangsan shanghai 2018-05-25 5 zhangsan shanghai 2018-05-25

mv data_new.txt data.txt mv：是否覆盖"data.txt"？ y cat data.txt 1 zhangsan shanghai 2018-05-25 2 zhangsan shanghai 2018-05-25 3 zhangsan shanghai 2018-05-25 4 zhangsan shanghai 2018-05-25 5 zhangsan shanghai 2018-05-25

注：其中的cat只是为了便于理解每个操作步骤之后的结果
这样就可以删除文件前三条数据了，之后压缩，上传到hdfs再用spark程序处理即可
参考：linux删除大文件的前n行

4、最后

不知道我对spark的分区的理解是否正确，如果不对的话，欢迎大家提出指正~

附录

最后附上将此格式的txt文件读取为rdd并转为df的示例程序

package com.dkl.leanring.spark.sql import org.apache.spark.sql.Row import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StringType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StructType object Demo { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("DelFirstNLines").master("local").getOrCreate() val sc = spark.sparkContext val path = "files/data.txt" val data = sc.textFile(path, 8) val arr = data.take(3) val rdd = data.filter(!arr.contains(_)) //第二行为列名 val colName = arr(1).split(" +") // +表示根据一个或多个空格进行分割 val schema = StructType(colName.map(fieldName => StructField(fieldName, StringType, true))) val rowRDD = rdd.map(_.split(" +")).map(p => Row(p: _*)) val df = spark.createDataFrame(rowRDD, schema) df.show() spark.stop() } }

+---+--------+--------+----------+ | id| name| addr| time| +---+--------+--------+----------+ | 1|zhangsan|shanghai|2018-05-25| | 2|zhangsan|shanghai|2018-05-25| | 3|zhangsan|shanghai|2018-05-25| | 4|zhangsan|shanghai|2018-05-25| | 5|zhangsan|shanghai|2018-05-25| +---+--------+--------+----------+