使用 pyspark 将镶木地板文件（在 aws s3 中）存储到 spark 数据框中

Question

我正在尝试从我的 s3 存储桶中的特定文件夹中读取数据。此数据采用镶木地板格式。为此，我使用 awswrangler:

import awswrangler as wr

# read data
data = wr.s3.read_parquet("s3://bucket-name/folder/with/parquet/files/", dataset = True)

这个returns一个pandas数据框：

client_id   center  client_lat  client_lng  inserted_at  matrix_updated
0700292081   BFDR    -23.6077    -46.6617   2021-04-19     2021-04-19   
7100067781   BFDR    -23.6077    -46.6617   2021-04-19     2021-04-19   
7100067787   BFDR    -23.6077    -46.6617   2021-04-19     2021-04-19

但是，我不想使用 pandas 数据帧，而是将从我的 s3 存储桶中检索到的数据存储在 spark 数据帧中。我试过（这是我自己的问题），但似乎无法正常工作。

我想知道是否有任何方法可以使用 awswrangler 将这些数据存储到 spark 数据框中。或者，如果您有其他选择，我想了解一下。

Answer 1

我没有使用 awswrangler。相反，我使用了我在 github:

上找到的以下代码

myAccessKey = 'your key' 
mySecretKey = 'your key'

import os
os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.amazonaws:aws-java-sdk:1.10.34,org.apache.hadoop:hadoop-aws:2.6.0 pyspark-shell'

import pyspark
sc = pyspark.SparkContext("local[*]")

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)

hadoopConf = sc._jsc.hadoopConfiguration()
hadoopConf.set("fs.s3.impl", "org.apache.hadoop.fs.s3native.NativeS3FileSystem")
hadoopConf.set("fs.s3.awsAccessKeyId", myAccessKey)
hadoopConf.set("fs.s3.awsSecretAccessKey", mySecretKey)

df = sqlContext.read.parquet("s3://bucket-name/path/")

使用 pyspark 将镶木地板文件（在 aws s3 中）存储到 spark 数据框中

store parquet files (in aws s3) into a spark dataframe using pyspark

python

amazon-s3

apache-spark-sql

pyspark

aws-data-wrangler