从SFTP服务器加载文件到spark RDD

Question

如何从SFTP服务器加载文件到spark RDD。加载这个文件后，我需要对数据执行一些过滤。此外，该文件是csv文件，所以你可以帮我决定是否应该使用数据框或RDD。

Answer 1

您可以以下方式使用spark-sftp库在你的程序：

火花2.x的

Maven的依赖

<dependency> 
    <groupId>com.springml</groupId> 
    <artifactId>spark-sftp_2.11</artifactId> 
    <version>1.1.0</version> 
</dependency> 

SBT依赖

libraryDependencies += "com.springml" % "spark-sftp_2.11" % "1.1.0" 

与火花壳

此包可添加使用--packages命令行选项来使用火花。

$ bin/spark-shell --packages com.springml:spark-sftp_2.11:1.1.0 

Scala的API

// Construct Spark dataframe using file in FTP server 
val df = spark.read. 
      format("com.springml.spark.sftp"). 
      option("host", "SFTP_HOST"). 
      option("username", "SFTP_USER"). 
      option("password", "****"). 
      option("fileType", "csv"). 
      option("inferSchema", "true"). 
      load("/ftp/files/sample.csv") 

// Write dataframe as CSV file to FTP server 
df.write. 
     format("com.springml.spark.sftp"). 
     option("host", "SFTP_HOST"). 
     option("username", "SFTP_USER"). 
     option("password", "****"). 
     option("fileType", "csv"). 
     save("/ftp/files/sample.csv") 

用于火花的1.x（1.5+）

Maven的依赖

：例如，要在启动火花壳时它包括

<dependency> 
    <groupId>com.springml</groupId> 
    <artifactId>spark-sftp_2.10</artifactId> 
    <version>1.0.2</version> 
</dependency> 

SBT依赖

libraryDependencies += "com.springml" % "spark-sftp_2.10" % "1.0.2" 

与火花壳

此包可添加使用--packages命令行选项来使用火花。例如，在启动火花外壳时，它包含：

$ bin/spark-shell --packages com.springml:spark-sftp_2.10:1.0.2 

斯卡拉API

import org.apache.spark.sql.SQLContext 

// Construct Spark dataframe using file in FTP server 
val sqlContext = new SQLContext(sc) 
val df = sqlContext.read. 
        format("com.springml.spark.sftp"). 
        option("host", "SFTP_HOST"). 
        option("username", "SFTP_USER"). 
        option("password", "****"). 
        option("fileType", "csv"). 
        option("inferSchema", "true"). 
        load("/ftp/files/sample.csv") 

// Write dataframe as CSV file to FTP server 
df.write(). 
     format("com.springml.spark.sftp"). 
     option("host", "SFTP_HOST"). 
     option("username", "SFTP_USER"). 
     option("password", "****"). 
     option("fileType", "csv"). 
     save("/ftp/files/sample.csv") 

欲了解更多有关spark-sftp你可以参观那里的github页springml/spark-sftp

Answer 2

加载从SFTP是直接使用sftp连接器。

https://github.com/springml/spark-sftp

记住它是单线程的应用程序和数据的土地到HDFS即使你不指定它。它将数据流化为hdfs，然后在其上创建一个DataFrame

加载时，我们需要指定几个参数。

通常在没有指定位置的情况下，当用户sudo用户使用hdfs时，它也可能正常工作。它将在/ hdfs中创建临时文件，并在完成该过程后将其删除。

val data = sparkSession.read.format("com.springml.spark.sftp"). 
     option("host", "host"). 
     option("username", "user"). 
     option("password", "password"). 
     option("fileType", "json"). 
     option("createDF", "true"). 
     option("hdfsTempLocation","/user/currentuser/"). 
     load("/Home/test_mapping.json"); 

所有可用的选项下面，源代码

https://github.com/springml/spark-sftp/blob/master/src/main/scala/com/springml/spark/sftp/DefaultSource.scala

override def createRelation(sqlContext: SQLContext, parameters: Map[String, String], schema: StructType) = { 
    val username = parameters.get("username") 
    val password = parameters.get("password") 
    val pemFileLocation = parameters.get("pem") 
    val pemPassphrase = parameters.get("pemPassphrase") 
    val host = parameters.getOrElse("host", sys.error("SFTP Host has to be provided using 'host' option")) 
    val port = parameters.get("port") 
    val path = parameters.getOrElse("path", sys.error("'path' must be specified")) 
    val fileType = parameters.getOrElse("fileType", sys.error("File type has to be provided using 'fileType' option")) 
    val inferSchema = parameters.get("inferSchema") 
    val header = parameters.getOrElse("header", "true") 
    val delimiter = parameters.getOrElse("delimiter", ",") 
    val createDF = parameters.getOrElse("createDF", "true") 
    val copyLatest = parameters.getOrElse("copyLatest", "false") 
    //System.setProperty("java.io.tmpdir","hdfs://devnameservice1/../") 
    val tempFolder = parameters.getOrElse("tempLocation", System.getProperty("java.io.tmpdir")) 
    val hdfsTemp = parameters.getOrElse("hdfsTempLocation", tempFolder) 
    val cryptoKey = parameters.getOrElse("cryptoKey", null) 
    val cryptoAlgorithm = parameters.getOrElse("cryptoAlgorithm", "AES") 

    val supportedFileTypes = List("csv", "json", "avro", "parquet") 
    if (!supportedFileTypes.contains(fileType)) { 
     sys.error("fileType " + fileType + " not supported. Supported file types are " + supportedFileTypes) 
    }