我有一个包含 50,000 个 JSON 文件的 RDD,我需要将其写入 Spark (Databricks) 中的安装目录。安装的路径类似于 /mnt/myblob/mydata
(使用 Azure)。我尝试了以下操作,但结果发现我无法在 Spark 作业中使用 dbutils。
def write_json(output_path, json_data):
dbutils.fs.put(output_path, json_data)
我当前必须做的是将数据带到本地(到驱动程序),然后调用 write_json
方法。
records = my_rdd.collect()
for r in records:
write_json(r['path'], r['json'])
这种方法有效,但需要很长时间才能完成。有没有更快的方法?
最佳答案
您可以使用map
并行执行此操作。
def write_json(output_path, json_data):
with open(output_path, "w") as f:
f.write(json_data)
my_rdd.map(lambda r: write_json(r['path'], r['json']))
关于apache-spark - 如何在 Databricks 中使用 Spark 将 JSON 文件并行写入到已安装的目录,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55593896/