如何解决spark开发中遇到需要去掉文件前几行数据的问题
转载请务必注明原创地址为：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|
+---+--------+--------+----------+
