使用 pyspark 将镶木地板文件（在 aws s3 中）存储到 spark 数据框中

Posted 2023-04-15

【中文标题】使用 pyspark 将镶木地板文件（在 aws s3 中）存储到 spark 数据框中

【英文标题】：store parquet files (in aws s3) into a spark dataframe using pyspark

【发布时间】：2021-06-09 17:01:54

【问题描述】：

我正在尝试从我的 s3 存储桶中的特定文件夹中读取数据。此数据采用镶木地板格式。为此，我使用awswrangler：

import awswrangler as wr

# read data
data = wr.s3.read_parquet("s3://bucket-name/folder/with/parquet/files/", dataset = True)

这会返回一个熊猫数据框：

client_id   center  client_lat  client_lng  inserted_at  matrix_updated
0700292081   BFDR    -23.6077    -46.6617   2021-04-19     2021-04-19   
7100067781   BFDR    -23.6077    -46.6617   2021-04-19     2021-04-19   
7100067787   BFDR    -23.6077    -46.6617   2021-04-19     2021-04-19     

但是，我希望将从我的 s3 存储桶中检索到的数据存储在 spark 数据框中，而不是 pandas 数据框。我试过this（这是我自己的问题），但似乎不能正常工作。

我想知道是否有任何方法可以使用 awswrangler 将这些数据存储到 spark 数据框中。或者，如果您有其他选择，我想了解一下。

【问题讨论】：

为什么不使用原生的spark.read.parquet(PATH) 方法呢？另一种选择是 spark.createDataFrame(data)。

我认为spark.read.parquet(PATH) 用于本地文件，spark.createDataFrame(data) 不是最好的方法，因为这个想法是完全避免使用 pandas 数据帧。这就是为什么我正在寻找一种可以将数据直接存储在 spark 数据框中的解决方案。

不确定我是否理解。你是什​​么意思“本地文件”？当文件在云中时，我每天都从 s3 读取。

我经常使用spark.read.parquet(PATH)从我的机器上读取文件。我不确定如何使用该代码从 s3 读取文件。

我所做的是 - spark.read.parquet("s3://bucket-name/folder/with/parquet/files/")。如果镶木地板文件在那里，它应该可以工作。

【参考方案1】：

我没有使用awswrangler。相反，我使用了在github 上找到的以下代码：

myAccessKey = 'your key' 
mySecretKey = 'your key'

import os
os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.amazonaws:aws-java-sdk:1.10.34,org.apache.hadoop:hadoop-aws:2.6.0 pyspark-shell'

import pyspark
sc = pyspark.SparkContext("local[*]")

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)

hadoopConf = sc._jsc.hadoopConfiguration()
hadoopConf.set("fs.s3.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem")
hadoopConf.set("fs.s3.awsAccessKeyId", myAccessKey)
hadoopConf.set("fs.s3.awsSecretAccessKey", mySecretKey)

df = sqlContext.read.parquet("s3://bucket-name/path/")