Spark - 从 S3 读取分区数据 - 分区是如何发生的？

Question

当我使用 Spark 从 S3 读取多个文件时（例如，一个包含许多 Parquet 文件的目录） -
是不是一开始就进行逻辑分区，然后每个executor直接下载数据（在worker节点上）？
或者驱动程序是否下载数据（部分或全部），然后才分区并将数据发送给执行程序？

此外，分区是否会默认为用于写入的相同分区（即每个文件 = 1 个分区）？

Answer 1

S3 上的数据显然在 HDFS 外部。

您可以通过提供一个或多个路径或使用 Hive Metastore 从 S3 读取 - 如果您已通过为外部 S3 表创建 DDL 并为分区使用 MSCK 或在 EMR 上为 Hive 使用 ALTER TABLE table_name RECOVER PARTITIONS 更新此内容.

如果你使用：

val df = spark.read.parquet("/path/to/parquet/file.../...")

那么不能保证分区，它取决于各种设置 - 请参阅 Does Spark maintain parquet partitioning on read?，注意到 API 不断发展并变得更好。

但是，这个：

val df = spark.read.parquet("/path/to/parquet/file.../.../partitioncolumn=*")

将根据您保存的分区结构以某种方式通过执行程序返回分区，有点像 SPARK bucketBy。

如果直接指定 S3，驱动程序只会获取元数据。

用你的话说：

• "...每个executor直接下载数据（在worker节点上）？" YES
• 元数据是通过驱动程序协调和其他系统组件在 S3 上的文件/目录位置以某种方式获得的，但不是首先将数据下载到驱动程序 - 这在设计上是一个很大的愚蠢。但这也取决于 API 如何响应的语句格式。