在Amazon S3上保留RDD

Question

我在Amazon S3上有一个包含JSON对象的大文本文件.我计划在Amazon EMR上使用Spark处理这些数据.

这是我的问题:

1. 如何将包含JSON对象的文本文件加载到Spark中？
2. 在EMR集群关闭后,是否可以在S3上保留此数据的内部RDD表示？
3. 如果我能够持久保存RDD表示,下次需要分析相同数据时是否可以直接加载RDD格式的数据？

Answer 1

这应该涵盖#1,只要你使用pyspark:

#Configure spark with your S3 access keys
sc._jsc.hadoopConfiguration().set("fs.s3n.awsAccessKeyId", "MY-ACCESS-KEY")
sc._jsc.hadoopConfiguration().set("fs.s3n.awsSecretAccessKey", "MY-SECRET-ACCESS-KEY")

#Retrieve the data
my_data = sc.textFile("s3n://my-bucket-name/my-key")
my_data.count() #Count all rows
my_data.take(20) #Take the first 20 rows

#Parse it
import json
my_data.map(lambda x: json.loads(x)).take(20) #Take the first 20 rows of json-parsed content

注意s3地址s3n://不是s3://.这是hadoop的遗产.

此外,my-key可以指向整个S3目录*.如果您正在使用spark群集,则导入多个中等大小的文件通常比单个大文件快.

对于#2和#3,我建议查找spark的镶木地板支架.您还可以将文本保存回s3:

my_data.map(lambda x: json.dumps(x)).saveAsTextFile('s3://my-bucket-name/my-new-key')

不知道数据集的大小和管道的计算复杂性,我不知道将中间数据存储到S3的哪种方式将最有效地利用您的资源.

*S3没有真正的目录,但你知道我的意思.