我正在使用 pyspark 从 Amazon S3 上的 Parquet 文件中读取数据帧,例如
dataS3 = sql.read.parquet("s3a://" + s3_bucket_in)
这没有问题。但是后来我尝试写数据
dataS3.write.parquet("s3a://" + s3_bucket_out)
我确实得到以下异常
py4j.protocol.Py4JJavaError: An error occurred while calling o39.parquet.
: java.lang.IllegalArgumentException: java.net.URISyntaxException:
Relative path in absolute URI: s3a://<s3_bucket_out>_temporary
在我看来,Spark 正在尝试先创建一个 _temporary
文件夹,然后再写入给定的存储桶。这可以以某种方式防止,以便 spark 直接写入给定的输出桶吗?
最佳答案
您不能删除 _temporary 文件,因为它用于保留中间文件 在完成之前隐藏查询的工作
但这没关系,因为这不是问题所在。问题是输出提交者在尝试写入根目录时有点困惑(无法删除它,请参阅)
您需要写入存储桶下的子目录,并带有完整前缀。例如
s3a://mybucket/work/out
。
我应该补充一点,尝试将数据提交到 S3A 是不可靠的,正是因为它模仿 rename()
的方式类似于 ls -rlf src | xargs -p8 -I% "cp % dst/% && rm %"
。因为 ls
在 S3 上延迟了一致性,它可能会错过新创建的文件,所以不要复制它们。
参见:Improving Apache Spark了解详情。
现在,您只能通过写入 HDFS 然后复制来可靠地提交到 s3a。 EMR s3 通过使用 DynamoDB 提供一致的列表来解决这个问题
关于hadoop - 在不创建 _temporary 文件夹的情况下将 Spark 数据帧作为 Parquet 写入 S3,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46464065/