如何从 pyspark rdd 或分区中确定原始 s3 输入文件名
Posted
技术标签:
【中文标题】如何从 pyspark rdd 或分区中确定原始 s3 输入文件名【英文标题】:How to determine original s3 input filenames from a pyspark rdd or partition 【发布时间】:2015-11-28 17:52:41 【问题描述】:我正在使用 pyspark 流式传输到来自 S3 的 ETL 输入文件。
我需要能够构建所有原始输入文件的审计跟踪 在 s3:// 上,我的镶木地板输出在 hdfs:// 上结束。
给定一个dstream,rdd,甚至是一个特定的rdd分区,有没有可能 确定 s3 中输入数据的原始文件名?
目前我知道这样做的唯一方法是采取
rdd.toDebugString()
并尝试解析它。然而,这感觉真的很hacky并且没有
在某些情况下工作。例如,解析调试输出不适用于我的批处理模式导入
我也在做(使用sc.TextFile("s3://...foo/*")
样式球)。
有没有人有理智的方法来确定原始文件名?
似乎其他一些 spark 用户过去曾有过这个问题,因为 示例:
http://apache-spark-user-list.1001560.n3.nabble.com/Access-original-filename-in-a-map-function-tt2831.html
谢谢!
【问题讨论】:
【参考方案1】:我们遇到了同样的问题,而且文件足够小,所以我们使用了 sc.wholeTextFiles("s3:...foo/*")
。
创建("<path/filename>","<content>")
的RDD,我们将文件名附加到文件内容以供使用。
How to convert RDD[(String, String)] into RDD[Array[String]]?
【讨论】:
太好了,这解决了我的批处理模式问题。但是,假设有类似StreamingContext.wholeTextFileStream()
的东西,它允许我从来自 dstream
的 rdd 获取源文件名?以上是关于如何从 pyspark rdd 或分区中确定原始 s3 输入文件名的主要内容,如果未能解决你的问题,请参考以下文章
在 PySpark RDD 中,如何使用 foreachPartition() 打印出每个分区的第一条记录?