使用 sparkSession.createDataFrame 以 parquet 格式一次将多行写入 s3

Posted 2023-04-15

【中文标题】使用 sparkSession.createDataFrame 以 parquet 格式一次将多行写入 s3

【英文标题】：Write multiple rows at once to s3 in parquet format using sparkSession.createDataFrame

【发布时间】：2020-04-10 02:15:54

【问题描述】：

我成功地创建了一个单帧/行并使用以下方法以镶木地板格式写入 s3

data_for_frame = ["Category": 'Category A', "ID": 1, "Value": Decimal(12.40),
        "Category": 'Category B', "ID": 2, "Value": Decimal(30.10),
        "Category": 'Category C', "ID": 3, "Value": Decimal(100.01)
        ]


dynamic_frame = sparkSession.createDataFrame(data_frame, schema_frame)
frame = sparkSession.createDataFrame(data_frame, schema_frame)
frame.write.parquet(s3_path)

如何一次写入多行以最小化每次写入？意味着我创建了多行并以某种方式将一个大帧传递给一次写入 s3 我试图将多个帧放入一个列表中，然后将其传递给frame.write，但这不适用于错误AttributeError: 'list' object has no attribute 'write'

此外，如果我尝试使用单个帧在循环中写入 s3，则会出现错误

AnalysisException: 'path s3://***-test-bucket/testing/default_bucket/year=2020/month=4/day=4 already exists.;'

【参考方案1】：

在尝试写入循环时需要将mode 添加为append。

如果 spark 找到我们正在编写的 directory 则默认 exists 会抛出错误 我们应该选择

append

（将新文件添加到目录）（或）

overwrite

（删除并重新创建目录）目录。

---

frame.write.mode("append").parquet(s3_path)

【讨论】：

解决了第二个问题，但仍会创建一个新文件 file 来追加，它不会写入相同或第一个 parquet 文件。