- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个应用程序,它将数据发送到 AWS Kinesis Firehose,然后将数据写入我的 S3 存储桶。 Firehose 使用“yyyy/MM/dd/HH”格式写入文件。
就像这个示例 S3 路径一样:
s3://mybucket/2016/07/29/12
现在我有一个用Scala编写的Spark应用程序,我需要读取特定时间段的数据。我有开始日期和结束日期。数据采用 JSON 格式,这就是我使用 sqlContext.read.json()
而不是 sc.textFile()
的原因。
如何快速高效地读取数据?
通配符 - 我可以选择特定日期的所有小时或特定月份的所有日期的数据,例如:
val df = sqlContext.read.json("s3://mybucket/2016/07/29/*")
val df = sqlContext.read.json("s3://mybucket/2016/07/*/*")
但是,如果我必须读取几天的日期期间的数据,例如 2016-07-29 - 2016-07-30,我就不能以同样的方式使用通配符方法。
这引出了我的下一点......
sc.textFile()
而不是 sqlContext.read.json()
。 Union - cloud 上一个链接的第二个解决方案建议单独读取每个目录,然后将它们合并在一起。尽管他建议联合 RDD,但也可以选择联合 DataFrame。如果我手动生成给定日期期间的日期字符串,那么我可能会创建一个不存在的路径,而不是忽略它,整个读取会失败。相反,我可以使用 AWS SDK 并使用 AmazonS3Client 中的函数 listObjects
来获取所有 key ,就像上一个链接中的 iMKanchwala 解决方案中一样。
唯一的问题是我的数据不断变化。如果 read.json() 函数将所有数据作为单个参数获取,它会读取所有必要的数据,并且足够智能,可以从数据中推断出 json 模式。如果我分别读取 2 个目录并且它们的架构不匹配,那么我认为合并这两个数据帧会成为一个问题。
Glob(?) 语法 - This nhahtdh 的解决方案比选项 1 和 2 稍好一些,因为它们提供了更详细地指定日期和目录的选项,并且作为单个选项“path”,因此它也适用于 read.json()
。
但是,一个常见的问题又出现了,即丢失的目录。假设我想要从 20.07 到 30.07 的所有数据,我可以这样声明:
val df = sqlContext.read.json("s3://mybucket/2016/07/[20-30]/*")
但是,如果我丢失了 7 月 25 日的数据,则路径 ..16/07/25/
不存在,整个函数就会失败。
显然,当请求的时间段是例如 2015 年 11 月 25 日至 2016 年 2 月 12 日时,事情会变得更加困难,那么我需要以编程方式(在我的 Scala 脚本中)创建一个如下所示的字符串路径:
"s3://mybucket/{2015/11/[25-30],2015/12/*,2016/01/*,2016/02/[01-12]}/*"
通过创建它,我需要以某种方式确保这些 25-30 和 01-12 间隔都有相应的路径,如果缺少一个,它会再次失败。 (星号幸运地处理丢失的目录,因为它读取存在的所有内容)
如何一次从单个目录路径读取所有必要的数据,而不可能因为某个日期间隔之间缺少目录而失败?
最佳答案
有一个更简单的解决方案。如果你看DataFrameReader API您会注意到有一个 .json(paths: String*)
方法。只需构建一个您想要的路径的集合,根据您的喜好,使用 not 的全局变量,然后调用该方法,例如,
val paths: Seq[String] = ...
val df = sqlContext.read.json(paths: _*)
关于scala - 按日期周期从 Spark 中的 S3 读取多个文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38657624/
这个问题在这里已经有了答案: Why don't Java's +=, -=, *=, /= compound assignment operators require casting? (11 个
我搜索了很多,但没有一个链接能帮助我解决这个问题。我得到了 ORA-21500: internal error code, arguments: [%s], [%s], [%s], [%s], [%s
我正在做 RegexOne 正则表达式教程,它有一个 question关于编写正则表达式以删除不必要的空格。 教程中提供的解决方案是 We can just skip all the starting
([\s\S]+|\s?) 中 |\s? 的目的或作用是什么?如果没有它,表达式会不会与 ([\s\S]+) 相同? 最佳答案 这不是完全相同的。 ([\s\S]+|\s?) 会匹配空字符串,而 ([
这个正则表达式有一组还是两组? 我正在尝试使用第二组访问 bookTitle 但出现错误: Pattern pattern = Pattern.compile("^\\s*(.*?)\\s+-\\s+
在 C 中给定一个字符串指针 s,下面的迭代会做什么?即它以什么方式遍历字符串? for (++s ; *s; ++s); 最佳答案 for (++s ; *s;++s) 表示 将指针 s 递增到字符
我正在用一个 node.js 应用程序解析一个大列表并有这段代码 sizeCode = dbfr.CN_DESC.split('\s+-\s*|\s*-\s+') 这似乎不起作用,因为它返回了 [ '
我正在编写一个简单的字符串连接程序。 该程序按照我发布的方式运行。但是,我首先使用以下代码编写它来查找字符串的结尾: while (*s++) ; 但是,这个方法并没有奏效。我传递给它的字符串
这个问题已经有答案了: What does (?和aramchand来自Mohandas Karamchand G 因此,在使用这些匹配来分割字符串后,您最终会得到 {"M", "K", "G"} 注
我正在尝试转换 Map到 List使用 lambda。 本质上,我想将键和值与 '=' 连接起来之间。这看起来微不足道,但我找不到如何去做。 例如 Map map = new HashMap<>();
我正在经历 K & R,并且在递增指针时遇到困难。练习 5.3(第 107 页)要求您使用指针编写一个 strcat 函数。 在伪代码中,该函数执行以下操作: 将 2 个字符串作为输入。 找到字符串
在下面的代码中,pS 和 s.pS 在最后一行是否保证相等?也就是说,在语句S s = S();中,是否可以确定不会构造一个临时的S? #include using namespace std; s
演示示例代码: public void ReverseString(char[] s) { for(int i = 0, j = s.Length-1; i < j; i++, j--){
我一直在寻找类似于 .NET examples 中的示例的 PowerShell 脚本.取一个 New-TimeSpan 并显示为 1 天 2 小时 3 分钟 4 秒。排除其零的地方,在需要的地方添加
def func(s): s = s + " is corrected" return s string_list = ["She", "He"] for s in string_li
我是 python 的新手。当我在互联网上搜索 lambda 时。我在 lambda_functions 中找到了这个声明. processFunc = collapse and (lambda s:
我最近开始学习正则表达式,并试图为上面的问题写一个正则表达式。如果限制只放在一个字母上(例如不超过 2 个“b”),这并不困难。 那么答案就是:a* c*(b|ε)a* c*(b|ε)a* c* 但是
当我运行 npm install 时出现以下错误,但我无法修复它。 我试过:npm install -g windows-build-tools 也没有修复这个错误 ERR! configure
有很多有趣的haskell网上可以找到片段。 This post可以在 this (awesome) Stack Overflow question 下找到. The author写道: discou
我知道以下三行代码旨在将字符串提取到$ value中并将其存储在$ header中。但是我不知道$value =~ s/^\s+//;和$value =~ s/\s+$//;之间有什么区别。 $val
我是一名优秀的程序员,十分优秀!