使用 Pyspark 读取 S3 上的随机文件样本答案

【问题标题】：Read random sample of files on S3 with Pyspark使用 Pyspark 读取 S3 上的随机文件样本
【发布时间】：2016-09-15 12:04:28
【问题描述】：

我在 S3 上有一个包含 1000 个文件的存储桶。每个大约 1GB。我想阅读这些文件的随机样本。假设所有文件的 5%。我就是这样做的

fileDF = sqlContext.jsonRDD(self.sc.textFile(self.path).sample(withReplacement=False, fraction=0.05, seed=42).repartition(160))

但上面的代码似乎会读取所有文件然后进行采样。虽然我想提取文件样本并阅读它们。有人可以帮忙吗？

【问题讨论】：

什么是self.path？它使用通配符吗？
self.path 是 Python 中的 self 变量。

标签： python amazon-s3 apache-spark pyspark amazon-emr

【解决方案1】：

用你喜欢的方法列出路径下的文件，取名字的样本，然后使用RDD union：

import pyspark
import random

sc = pyspark.SparkContext(appName = "Sampler")
file_list = list_files(path)
desired_pct = 5
file_sample = random.sample(file_list, int(len(file_list) * desired_pct / 100))
file_sample_rdd = sc.emptyRDD()
for f in file_sample:
    file_sample_rdd = file_sample_rdd.union(sc.textFile(f))
sample_data_rdd = file_sample_rdd.repartition(160)

这是“list_files”的一种可能的快速而肮脏的实现，它将列出 S3 上“目录”下的文件：

import os
def list_files(path, profile = None):
    if not path.endswith("/"):
        raise Exception("not handled...")
    command = 'aws s3 ls %s' % path
    if profile is not None:
        command = 'aws --profile %s s3 ls %s' % (profile, path)
    result = os.popen(command)
    _r = result.read().strip().split('\n')
    _r = [path + i.strip().split(' ')[-1] for i in _r]
    return _r

【讨论】：

这是个好主意。非常感谢您的回答！
for-loop 是单线程运行的吗？我不相信，但我可能错了。我希望获得相同的结果，但使用 Spark 并行读取大量“随机指定”文件路径。