apache-spark - 有什么方法可以使用 spark 从 s3 并行读取多个 Parquet 路径？

Question

我的数据存储在不同路径下的 s3(parquet 格式)中，我正在使用 spark.read.parquet(pathes:_*) 以便将所有路径读取到一个数据帧中。不幸的是，spark 是顺序读取 parquet 元数据(一个接一个路径)，而不是并行读取。spark 读取元数据后，数据本身将被并行读取。但是元数据部分 super 慢，而且机器没有得到充分利用。

有什么方法可以使用 spark 从 s3 并行读取多个 parquet 路径吗？

很高兴听到您对此的意见。

Answer 1

所以过了一段时间后，我发现我可以通过读取不同线程上的每个路径并合并结果来实现它。例如:

val paths = List[String]("a","b","c")
val parallelPaths = paths.par
parallelPaths.tasksupport = new ForkJoinTaskSupport(new scala.concurrent.forkjoin.ForkJoinPool(paths.length))
paths.map(path => spark.read.parquet(path)).reduce(_ union _)