如何在Scala中读取Hadoop集群上的gz压缩文件

存在Hadoop集群上的文件，大部分都会经过压缩，如果是压缩后的文件，我们直接在应用程序中如何读取里面的数据？答案是肯定的，但是比普通的文本读取要稍微复杂一点，需要使用到Hadoop的压缩工具类支持，比如处理gz，snappy，lzo，bz压缩的，前提是首先我们的Hadoop集群得支持上面提到的各种压缩文件。

本次就给出一个读取gz压缩文件的例子核心代码：

压缩和解压模块用的工具包是apache-commons下面的类：

import org.apache.commons.io.IOUtils

import org.apache.commons.lang.StringUtils

如果想在Windows上调试，可以直接设置HDFS的地址即可

-     val conf = new Configuration()//获取hadoop的conf

     conf.set("fs.defaultFS","hdfs://192.168.10.14:8020/")//windows上调试用

至此数据已经解压并读取完毕，其实并不是很复杂，用java代码和上面的代码也差不多类似，如果直接用原生的api读取会稍微复杂，但如果我们使用Hive，Spark框架的时候，框架内部会自动帮我们完成压缩文件的读取或者写入，对用户透明，当然底层也是封装了不同压缩格式的读取和写入代码，这样以来使用者将会方便许多。

参考文章：

https://blog.matthewrathbone.com/2013/12/28/reading-data-from-hdfs-even-if-it-is-compressed