我在 s3 中有大量 numpy 数组存储在 npz 存档中。将它们加载到 PySpark RDD/NumPy 数组的数据帧中的最佳方法是什么?我尝试使用 sc.wholeTextFiles API 加载文件。
rdd=sc.wholeTextFiles("s3://[bucket]/[folder_containing_npz_files]")
但是numpy.load需要一个文件句柄。将文件内容作为字符串加载到内存中会占用大量内存。
你不能对内存要求做太多事情,但除此之外BytesIO
应该可以正常工作:
from io import BytesIO
def extract(kv):
k, v = kv
with BytesIO(v) as r:
for f, x in np.load(r).items():
yield "{0}t{1}".format(k, f), x
sc.binaryFiles(inputPath).flatMap(extract)