如何在RStudio中将对象从S3存储桶加载到Spark中？

Question

S3存储桶中的对象大小为5.3 GB。 为了将对象转换成数据，我使用了get_object("link to bucket path") 。 但这会导致内存问题。

因此，我在RStudio中安装了Spark 2.3.0，并尝试将该对象直接加载到Spark中，但是将对象直接加载到spark中的命令未知。 library(sparklyr) library(dplyr) sc <- spark_connect(master = "local")

如果将对象转换为可读的数据类型（例如R中的data.frame / tbl），则将使用copy_to将数据从R传输到spark中，如下所示：

将数据复制到Spark

spark_tbl <- copy_to(spark_conn,data)

我想知道如何在spark内部转换对象？

相关链接将是

1. https://github.com/cloudyr/aws.s3/issues/170

2. Sparklyr连接到S3存储桶引发错误

任何指导将不胜感激。

Answer 1

解。

我正在尝试从S3存储桶读取5.3 GB的csv文件。 但是由于R是单线程的，因此它带来了内存问题（IO异常）。

但是，解决方案是将sparklyr加载到R（库（sparklyr））中，因此现在将使用计算机中的所有内核。

get_object（“链接到存储桶路径”）可以替换为spark_read_csv（“链接到存储桶路径”）。 由于RStudio使用所有内核，因此没有内存问题。

另外，根据文件扩展名，您可以更改功能：spark_load_table，spark_read_jdbc，spark_read_json，spark_read_libsvm，spark_read_parquet，spark_read_source，spark_read_table，spark_read_text，spark_save_table，spark_write_csv，spark_write_jdbc，spark_write_json，spark_write_source