并行读取S3中的多个文件（Spark，Java）

Question

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。

Answer 1

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 。

Answer 2

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")

参考这个ans

Answer 3

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 }