从 S3 并行读取多个文件（Spark、Java）

Question

我看到了一些关于此的讨论，但不太了解正确的解决方案： 我想将几百个文件从 S3 加载到 RDD 中。这是我现在的做法：

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 客户端进行实际读取：

    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();

我从我在 Scala 中看到的相同问题的答案中“翻译”了这一点。我认为也可以将整个路径列表传递给sc.textFile(...)，但我不确定哪个是最佳实践方式。

Answer 1

潜在的问题是在 s3 中列出对象真的很慢，而且它看起来像目录树的方式会在执行 treewalk 时降低性能（就像路径的通配符模式处理一样）。

帖子中的代码正在执行所有子列表，它提供了更好的性能，它本质上是 Hadoop 2.8 和 s3a listFiles(path, recursive) 附带的，请参阅HADOOP-13208。

获得该列表后，您将获得对象路径的字符串，然后您可以将其映射到 s3a/s3n 路径，以便 spark 将其作为文本文件输入进行处理，然后您可以对其应用工作

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 切换到 s3a，因为如果您的 CP 上有 hadoop-aws 和 amazon-sdk JAR，那么您应该使用 s3a 连接器。它更好，它是由人们（我）针对火花工作负载进行维护和测试的。见The history of Hadoop's S3 connectors。

Answer 2

您可以使用sc.textFile 读取多个文件。

你可以传递multiple file url with 作为它的参数。

您可以指定整个 directories，使用 wildcards 甚至 CSV 的目录和通配符。

例如：

sc.textFile("/my/dir1,/my/paths/part-00[0-5]*,/another/dir,/a/specific/file")

Reference from this ans

Answer 3

我猜如果您在阅读 aws 时尝试并行化将使用执行器并肯定会提高性能

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 }