从S3并行读取多个文件（Spark、Java）

我看到了一些关于这方面的讨论，但不能完全理解正确的解决方案： 我想把几百个文件从S3加载到RDD中。我现在是这样做的：

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));

---

我从Scala中看到的同一个问题的答案中“翻译”了这一点。我认为也可以将整个路径列表传递到

sc.textFile（…）

，但我不确定哪种是最佳做法。

您可以使用

sc.textFile

读取多个文件

您可以将

多个文件url

作为其参数传递

您可以指定整个

目录

，使用

通配符

甚至CSV目录和通配符

Ex:

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

---

潜在的问题是，在s3中列出对象的速度非常慢，而且每当有东西执行树遍历时，它看起来像目录树的方式会降低性能（就像路径的通配符模式加工一样）

这篇文章中的代码列出了所有的子类，它提供了更好的性能，这基本上是Hadoop 2.8和s3a listFiles（path，recursive）附带的

在获得该列表后，您将得到指向对象路径的字符串，然后可以将其映射到s3a/s3n路径，以便spark将其作为文本文件输入处理，然后可以对其应用工作

val files = keys.map(key -> s"s3a://$bucket/$key").mkString(",")
sc.textFile(files).map(...)

根据要求，这里是使用的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))

String prefix=“s3a://”+properties.get（“s3.source.bucket”）+“/”；
objectListing.getObjectSummaries（）.forEach（summary->keys.add（prefix+summary.getKey（））；
//在对象列表被截断时重复
javarddevents=sc.textFile（String.join（“，”键））

---

请注意，我将s3n切换为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，而且它是由人（我）根据spark工作负载进行维护和测试的。请参阅。

我想，如果您在阅读aws时尝试并行化，将利用executor，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 }

---

使用通配符的问题是，它会导致对list（）的多次调用，这会导致spark作业长时间没有响应。这就是为什么建议首先获取所有密钥，然后并行化它们。请参见此处：感谢Steve的回答，我正尝试在AWS EMR上使用这两个选项运行代码（使用我的自定义映射函数并将所有路径传递到

textFile（…）

但是我在让它正常运行时遇到了一些问题。一旦我成功运行它并比较性能，我将更新此线程。很好！我用7个1GB文件进行了尝试，使用

textFile（…）

（比我的自定义代码快50%）。那么，您能否用相应的Java代码更新您的回复，我将接受它？

String prefix=“s3n://”+properties.get（“s3.source.bucket”）+“/”objectListing.getObjectSummaries（）.forEach（summery->keys.add（prefix+summery.getKey（））；//在截断时重复

尝试使用s3a，对我来说很好。需要

包com.amazonaws:aws java sdk pom:1.10.34，org.apache.hadoop:hadoop aws:2.7.2

作为参数来spark submit，我认为也需要

sc.hadoopConfiguration（）.set（“fs.s3.impl”，“org.apache.hadoop.fs.s3a.s3a.S3AFileSystem”）

在代码中。EMR应该具有IAM角色，具有从存储桶读/写的权限。这样，您就可以执行

AmazonS3 s3=new AmazonS3Client（）

和cred将被自动拾取。如果有大量的键，这将不起作用，比如说亿万富翁。这看起来不错。listObjects通常会成批返回结果，所以我假设会有一个循环。是的，这段代码需要更多的逻辑来处理被截断的列表。

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 }