使用火花而不是使用动态框架（胶水上下文）从胶水目录中读取

Question

由于我们的方案是不变的，所以我们使用 spark.read() 比在数据存储在 s3 中时从选项创建动态帧要快得多

所以现在想从胶水目录中读取数据 使用动态框架需要很多时间 所以想使用 spark read api 阅读 Dataframe.read.format("").option("url","").option("dtable",schema.table name).load()

在格式和url选项中输入什么以及需要什么其他的东西？？

Answer 1

简答：

如果您直接使用 SparkSession/SparkContext 读取/加载数据，您将获得 纯 Spark DataFrame 而不是 DynamicFrame。

从 spark 读取时的不同选项：

• 格式：是您正在读取的源格式，因此可以是 parquet、csv、json、..
• load：它是您正在读取的源文件的路径：它可以是本地路径、s3 路径、hadoop 路径...
• 选项：有很多不同的选项，例如 inferSchema，如果您希望 spark 最适合您，并根据采集的数据样本或 csv 文件中的 header = true 猜测架构。

一个例子：

df = spark.read.format("csv").option("header", true) .option("inferSchema", true).load("s3://path")

在前面的示例中没有创建 DynamicFrame，因此 df 将是一个 DataFrame，除非您使用胶水 API 将其转换为 DynamicFrame。

---

长答案：

Glue 目录只是一个 aws Hive 实现本身。如果需要，您可以创建定义模式、读取器类型和映射的胶水目录，然后它可用于不同的 aws 服务，如胶水、雅典娜或 redshift-spectrum。我看到使用胶水目录的唯一好处实际上是与不同的 aws-services 的集成。

我认为您可以使用爬虫以及与 athena 和 redshift-specturm 的集成充分利用数据目录，并使用统一的 API 将它们加载到粘合作业中。

您始终可以使用胶水直接从不同的来源和格式中使用 from_options 胶水方法进行读取，并且不会丢失胶水的一些出色工具，并且仍会将其读取为 DynamicFrame。

如果您出于任何原因不想从粘合中获取该数据，您只需指定一个 DataFrame Schema 并使用 SparkSession 直接读取，但请记住，您将无法访问书签和其他工具尽管您可以将该 DataFrame 转换为 DynamicFrame。

使用 spark 从 s3 直接读取到 DataFrame（f.e 以 parquet、json 或 csv 格式）的示例如下：

df = spark.read.parquet("s3://path/file.parquet")
df = spark.read.csv("s3a://path/*.csv")
df= spark.read.json("s3a://path/*.json")

除非你想将它转换成它，否则它不会创建任何 DynamicFrame，你会得到一个纯 Spark DataFrame。

另一种方法是使用format() 方法。

df = spark.read.format("csv").option("header", true) .option("inferSchema", true).load("s3://path")

请记住，对于 csv f.e，有几个选项，例如“header”或“inferSchema”。您需要知道是否要使用它们。最佳实践是在生产环境中定义模式，而不是使用 inferSchema，但有几个用例。

此外，如果需要，您可以随时将纯 DataFrame 转换为 DynamicFrame：

DynamicFrame.fromDF(df, glue_context, ..)