有什么方法可以使用 spark 从 s3 并行读取多个镶木地板路径？

Question

我的数据存储在不同路径下的 s3（镶木地板格式）中，我正在使用spark.read.parquet(pathes:_*)将所有路径读入一个 dataframe。不幸的是，spark 按顺序读取镶木地板元数据（路径在路径之后）而不是并行。 spark 读取元数据后，数据本身将被并行读取。 但是元数据部分超级慢，而且机器没有得到充分利用。

有什么方法可以使用 spark 从 s3 并行读取多个镶木地板路径？

我很高兴听到你对此的意见。

Answer 1

所以一段时间后，我发现我可以通过读取不同线程上的每条路径并合并结果来实现它。 例如：

val paths = List[String]("a","b","c")
val parallelPaths = paths.par
parallelPaths.tasksupport = new ForkJoinTaskSupport(new scala.concurrent.forkjoin.ForkJoinPool(paths.length))
paths.map(path => spark.read.parquet(path)).reduce(_ union _)