使用Spark从Azure Blob读取数据

Question

我在通过火花流从天蓝色斑点读取数据时遇到问题

JavaDStream<String> lines = ssc.textFileStream("hdfs://ip:8020/directory");

上面的代码适用于HDFS，但无法从Azure blob读取文件

https://blobstorage.blob.core.windows.net/containerid/folder1/

上面是在azure UI中显示的路径，但是这行不通，我是否丢失了某些内容，以及如何访问它。

我知道Eventhub是流数据的理想选择，但是我目前的情况要求使用存储而不是队列

Answer 1

为了从Blob存储中读取数据，需要完成两件事。首先，您需要告诉Spark在基础Hadoop配置中使用哪个本机文件系统。这意味着您还需要在类路径中使用Hadoop-
Azure JAR
（请注意，与Hadoop系列相关的更多JAR可能对运行时有要求）：

JavaSparkContext ct = new JavaSparkContext();
Configuration config = ct.hadoopConfiguration();
config.set("fs.azure", "org.apache.hadoop.fs.azure.NativeAzureFileSystem");
config.set("fs.azure.account.key.youraccount.blob.core.windows.net", "yourkey");

现在，使用wasb://前缀调用文件（注意，[s]用于可选的安全连接）：

ssc.textFileStream("wasb[s]://<BlobStorageContainerName>@<StorageAccountName>.blob.core.windows.net/<path>");

不用说，您需要从进行查询的位置到Blob存储设置适当的权限。