package test
import org.apache.hadoop.io.{LongWritable, Text}
import org.apache.hadoop.mapred.TextInputFormat
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.hive.HiveContext
/**
* Created on 下午5:58.
* desc: spark 解析中文文件乱码
* @author hadoop
*/
object testSparkEncoding {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[3]").setAppName("test")
val sc = new SparkContext(sparkConf)
val sqlContext = new HiveContext(sc)
//////////////////////////////////////////////////////////////////////////////////
//
// 使用textfile读取utf8格式的文件
// 输出：
// 安徽|合肥|0551
// 江苏|南京|025
// 浙江|杭州|0571
//////////////////////////////////////////////////////////////////////////////////
val fileUTF8 = "/tmp/input/city_utf8.txt"
val rddUTF8 = sc.textFile(fileUTF8) // 读取文件
rddUTF8.take(10).foreach(println) // 打印文件的前10行内容
//////////////////////////////////////////////////////////////////////////////////
//
// 使用textfile读取GBK格式的文件
// 输出乱码：
// ����|�Ϸ�|0551
// ����|�Ͼ�|025
// �㽭|����|0571
//////////////////////////////////////////////////////////////////////////////////
val fileGBK1 = "/tmp/input/city_gbk.txt"
val rddGBK1 = sc.textFile(fileGBK1) // 读取文件
rddGBK1.take(10).foreach(println) // 打印文件的前10行内容
//////////////////////////////////////////////////////////////////////////////////
//
// 读取GBK格式乱码处理
// 输出：
// 安徽|合肥|0551
// 江苏|南京|025
// 浙江|杭州|0571
//////////////////////////////////////////////////////////////////////////////////
val fileGBK2 = "/tmp/input/city_gbk.txt"
val rddGBK2 = sc.hadoopFile(fileGBK2, classOf[TextInputFormat], classOf[LongWritable], classOf[Text], 1).
map(p => new String(p._2.getBytes, 0, p._2.getLength, "GBK"))
rddGBK2.take(10).foreach(println)
}
}