并行读取S3中的多个文件（Spark，Java）

我看到了一些关于此的讨论，但还不太明白正确的解决方案：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 keys = new LinkedList(); objectListing.getObjectSummaries().forEach(summery -> keys.add(summery.getKey())); // repeat while objectListing.isTruncated() JavaRDD events = sc.parallelize(keys).flatMap(new ReadFromS3Function(clusterProps)); 

ReadFromS3Function使用AmazonS3客户端执行实际读取：

  public Iterator call(String s) throws Exception { AmazonS3 s3Client = getAmazonS3Client(properties); S3Object object = s3Client.getObject(new GetObjectRequest(...)); InputStream is = object.getObjectContent(); List 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“有点”翻译了这个。 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，并且只要某些东西进行了树木行走（就像路径的通配符模式一样），它看起来像目录树的方式会导致性能下降。

post中的代码正在进行全子列表，提供更好的性能，它基本上是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 events = sc.textFile(String.join(",", keys)) 

请注意，我将s3n切换到s3a，因为如果你的CP上有hadoop-aws和amazon-sdk JAR，那么s3a连接器就是你应该使用的连接器。 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") 

从这个ans的参考

Answer 3

我想如果你尝试并行化，而阅读aws将使用执行器，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 }