Pyspark 如何将csv/txt文件加载到AWS粘合作业中
我有以下2个关于AWS胶水的澄清,你能澄清一下吗。因为我需要使用胶水作为我项目的一部分Pyspark 如何将csv/txt文件加载到AWS粘合作业中,pyspark,aws-glue,Pyspark,Aws Glue,我有以下2个关于AWS胶水的澄清,你能澄清一下吗。因为我需要使用胶水作为我项目的一部分 我想加载一个csv/txt文件到一个胶水作业来处理它。(就像我们在Spark中使用数据帧一样)。用胶水可以吗?或者我们必须只使用爬虫将数据爬网到粘合表中,并像下面那样使用它们进行进一步处理吗 empdf = glueContext.create_dynamic_frame.from_catalog( database="emp", table_name="emp_json") 下面我使用S
empdf = glueContext.create_dynamic_frame.from_catalog(
database="emp",
table_name="emp_json")
import sys
from pyspark.context import SparkContext
from awsglue.context import GlueContext
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)
dfnew = spark.read.option("header","true").option("delimiter", ",").csv("C:\inputs\TEST.txt")
dfnew.show(2)
可以使用Glue直接从s3加载数据:
sourceDyf = glueContext.create_dynamic_frame_from_options(
connection_type="s3",
format="csv",
connection_options={
"paths": ["s3://bucket/folder"]
},
format_options={
"withHeader": True,
"separator": ","
})
您也可以使用spark(正如您已经尝试过的那样)来实现这一点:
然而,在这种情况下,Glue不能保证它们提供适当的Spark阅读器。因此,如果您的错误与CSV缺少数据源有关,那么您应该通过参数提供指向其位置的s3路径,将lib添加到粘合作业中。以下2种情况我测试正常: 将文件从S3加载到Glue中。 从Glue db和已经通过Glue爬虫生成的表加载数据。 DynFr是一个动态框架,所以如果我们想在Glue中使用Spark代码,那么我们需要将其转换为如下所示的正常数据框架。
只需更改上述内容,将其作为PySpark代码的一部分使用,但我得到:SyntaxError:无效语法,我需要它来支持PySpark
sourceDf = spark.read
.option("header","true")
.option("delimiter", ",")
.csv("C:\inputs\TEST.txt")
dfnew = glueContext.create_dynamic_frame_from_options("s3", {'paths': ["s3://MyBucket/path/"] }, format="csv" )
dfnew.show(2)
DynFr = glueContext.create_dynamic_frame.from_catalog(database="test_db", table_name="test_table")
df1 = DynFr.toDF()