![](/img/trans.png)
[英]Download multiple files in parallel to a zip-file from S3 using Java
[英]Reading multiple files from S3 in parallel (Spark, Java)
我看到了一些关于此问题的讨论,但无法理解正确的解决方案:我想将S3中的几百个文件加载到RDD中。 我现在就是这样做的:
ObjectListing objectListing = s3.listObjects(new ListObjectsRequest().
withBucketName(...).
withPrefix(...));
List<String> keys = new LinkedList<>();
objectListing.getObjectSummaries().forEach(summery -> keys.add(summery.getKey())); // repeat while objectListing.isTruncated()
JavaRDD<String> events = sc.parallelize(keys).flatMap(new ReadFromS3Function(clusterProps));
ReadFromS3Function
使用AmazonS3
客户端执行实际读取:
public Iterator<String> call(String s) throws Exception {
AmazonS3 s3Client = getAmazonS3Client(properties);
S3Object object = s3Client.getObject(new GetObjectRequest(...));
InputStream is = object.getObjectContent();
List<String> lines = new LinkedList<>();
String str;
try {
BufferedReader reader = new BufferedReader(new InputStreamReader(is));
if (is != null) {
while ((str = reader.readLine()) != null) {
lines.add(str);
}
} else {
...
}
} finally {
...
}
return lines.iterator();
我从Scala中为同一个问题看到的答案中“解释”了这个。 我认为也可以将整个路径列表传递给sc.textFile(...)
,但我不确定哪种是最佳实践方式。
潜在的问题是在s3中列出对象的速度非常慢,并且当某些事情进行了树木行走时(如路径的通配符模式加工),它看起来像目录树的方式会导致性能下降。
帖子中的代码正在进行全子列表,这提供了更好的性能,它实际上是Hadoop 2.8和s3a listFiles(路径,递归)附带的HADOOP-13208 。
获得该列表后,您已经获得了对象路径的字符串,然后您可以将其映射到s3a / s3n路径,以便将spark作为文本文件输入处理,然后您可以将其应用于
val files = keys.map(key -> s"s3a://$bucket/$key").mkString(",")
sc.textFile(files).map(...)
根据要求,这是使用的java代码。
String prefix = "s3a://" + properties.get("s3.source.bucket") + "/";
objectListing.getObjectSummaries().forEach(summary -> keys.add(prefix+summary.getKey()));
// repeat while objectListing truncated
JavaRDD<String> events = sc.textFile(String.join(",", keys))
请注意,我将s3n切换为s3a,因为如果您的CP上有hadoop-aws
和amazon-sdk
JAR,则s3a连接器是您应该使用的连接器。 它更好,它是一个由人(我)维护和测试火花工作负载的那个。 请参阅Hadoop S3连接器的历史 。
您可以使用sc.textFile
读取多个文件。
您可以传递multiple file url
作为其参数。
您可以指定整个directories
,使用wildcards
甚至CSV目录和通配符。
例如:
sc.textFile("/my/dir1,/my/paths/part-00[0-5]*,/another/dir,/a/specific/file")
我想如果你尝试并行化,而阅读aws将使用执行器,并绝对提高性能
val bucketName=xxx
val keyname=xxx
val df=sc.parallelize(new AmazonS3Client(new BasicAWSCredentials("awsccessKeyId", "SecretKey")).listObjects(request).getObjectSummaries.map(_.getKey).toList)
.flatMap { key => Source.fromInputStream(s3.getObject(bucketName, keyname).getObjectContent: InputStream).getLines }
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.