我正在使用 pyspark 流式处理来自 S3 的 ETL 输入文件。
我需要能够建立所有原始输入文件的审计线索 在 s3://上，我的 Parquet 输出在 hdfs://上结束。
给定一个dstream、rdd，甚至是一个特定的rdd分区，是否有可能 确定 s3 中输入数据的原始文件名？
目前我知道的唯一方法是采取
rdd.toDebugString() 并尝试解析它。然而，这感觉真的很 hacky 并且不
在某些情况下工作。例如，解析调试输出对我的批处理模式导入不起作用
我也在做(使用 sc.TextFile("s3://...foo/*") 样式的 glob)。
有没有人有确定原始文件名的明智方法？
似乎其他一些 spark 用户过去也有过这个问题，因为 示例:
谢谢!
最佳答案
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]]?
关于hadoop - 如何从 pyspark rdd 或分区确定原始 s3 输入文件名，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/33974501/