如何配置 Spark / Glue 以避免在 Glue 作业成功执行后创建空的 $_folder_$

如何解决如何配置 Spark / Glue 以避免在 Glue 作业成功执行后创建空的 $_folder_$

我有一个由 glue 工作流程触发的简单胶水 etl 作业。它从爬虫表中删除重复数据并将结果写回 S3 存储桶。作业已成功完成。但是，spark 生成“$folder$”的空文件夹保留在 s3 中。它在层次结构中看起来不太好并会导致混乱。有没有办法在成功完成作业后配置 spark 或胶水上下文来隐藏/删除这些文件夹？

---------------------S3 图像 ---------------------

解决方法

好的，经过几天的测试，我终于找到了解决方案。在粘贴代码之前，让我总结一下我发现的内容......

那些 $folder$ 是通过 Hadoop 创建的。当在 S3 存储桶中创建文件夹时，Apache Hadoop 会创建这些文件。 Source1 它们实际上是作为路径 + / 的目录标记。 Source 2
要更改行为，您需要更改 Spark 上下文中的 Hadoop S3 写入配置。阅读this和this和this
阅读有关 S3、S3a 和 S3n here 和 here
感谢@stevel 的评论here

现在的解决方案是在Spark context Hadoop中设置如下配置。

sc = SparkContext()
hadoop_conf = sc._jsc.hadoopConfiguration()
hadoop_conf.set("fs.s3.impl","org.apache.hadoop.fs.s3a.S3AFileSystem")

为了避免创建 SUCCESS 文件，您还需要设置以下配置： hadoop_conf.set("mapreduce.fileoutputcommitter.marksuccessfuljobs","false")

确保您使用 S3 URI 写入 s3 存储桶。例如：

myDF.write.mode("overwrite").parquet('s3://XXX/YY',partitionBy['DDD'])