python - 如何从 S3 读取 Parquet 数据以激发 Python 数据框?

标签 python apache-spark amazon-s3 pyspark

我是 Spark 的新手,我找不到这个...我有很多 Parquet 文件上传到 s3 的位置:

s3://a-dps/d-l/sco/alpha/20160930/parquet/

此文件夹的总大小为 20+ Gb。如何分 block 并将其读入数据帧 如何将所有这些文件加载​​到数据框中?

分配给 spark 集群的内存为 6 GB。

    from pyspark import SparkContext
    from pyspark.sql import SQLContext
    from pyspark import SparkConf
    from pyspark.sql import SparkSession
    import pandas
    # SparkConf().set("spark.jars.packages","org.apache.hadoop:hadoop-aws:3.0.0-alpha3")
    sc = SparkContext.getOrCreate()

    sc._jsc.hadoopConfiguration().set("fs.s3.awsAccessKeyId", 'A')
    sc._jsc.hadoopConfiguration().set("fs.s3.awsSecretAccessKey", 's')

    sqlContext = SQLContext(sc)
    df2 = sqlContext.read.parquet("s3://sm/data/scor/alpha/2016/parquet/*")

错误:


    Py4JJavaError: An error occurred while calling o33.parquet.
    : java.io.IOException: No FileSystem for scheme: s3
        at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2660)
        at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2667)
        at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:94)
        at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2703)
        at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2685)
        at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:373)
        at org.apache.hadoop.fs.Path.getFileSystem(Path.java:295)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$14.apply(DataSource.scala:372)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$14.apply(DataSource.scala:370)
        at scala.collection.TraversableLike$$anonfun$flatMap$1.apply(TraversableLike.scala:241)
        at scala.collection.TraversableLike$$anonfun$flatMap$1.apply(TraversableLike.scala:241)
        at scala.collection.immutable.List.foreach(List.scala:381)
        at scala.collection.TraversableLike$class.flatMap(TraversableLike.scala:241)
        at scala.collection.immutable.List.flatMap(List.scala:344)

 

最佳答案

从 Spark 2.0 开始,您必须使用 SparkSession 而不是 sqlContext

spark = SparkSession.builder
                        .master("local")             
                        .appName("app name")             
                        .config("spark.some.config.option", true).getOrCreate()

df = spark.read.parquet("s3://path/to/parquet/file.parquet")

关于python - 如何从 S3 读取 Parquet 数据以激发 Python 数据框?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44629156/

相关文章:

amazon-web-services - 如何仅使用 aws codebuild 服务将 github 代码复制到 s3 存储桶?

amazon-web-services - cloudformation中定义的资源权限

python - Flask 扩展及其配置

python - Kivy 是否可以同时在不同的小部件上使用两个键盘?

python - 如何匹配字符串中的日期模式

apache-spark - 哪个更好 - 每个消费者有更多的数据接收器或更多的线程?

javascript - 如何使用 s3 api 和 node.js 将文件上传到 Wasabi 存储桶?

python - 从非常规文本文件中提取信息? (Python)

scala - Apache Toree 和 Spark Scala 在 Jupyter 中不起作用

apache-spark - 无法在 pyspark 中导入 lzo 文件