如何解决在Pyspark中使用路径读取挂载文件元数据的有效方法
我正在获取带有文件路径的文件元数据。获取每个文件的元数据应该没有什么问题,但是要花大约1万个文件并且要保存结果,这会花费很长时间。
getpdfInfoUdf = F.udf(getpdfInfoFromPath,pdfInfoSchema)
docCheckSparkDf = docCheckSparkDf.withColumn("MetaData",getpdfInfoUdf(F.col("path")))
我已经尝试过mapPartitions,但它仍在无休止地运行。
docCheckSparkDf.rdd.mapPartitions(getpdfInfoForPartition)
并保存文件,
docCheckSparkDf.write.partitionBy("id").format("parquet").save("FileStore/tables/xxx.parquet")
我有什么建议可以改进吗?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。