从 pyspark 中的另一个数据库加载表

问题描述

嗨，我敬爱的伙伴们！

我目前正在使用 AWS 和 PySpark。我的表存储在 S3 中，可从 Athena 查询。

在我的 glue 作业中，我习惯于将表格加载为：

my_table_df = sparkSession.table("myTable")

但是，这一次，我想从另一个数据库访问同一数据源 (AwsDataCatalog) 中的表。所以我做了一些很有效的事情：

my_other_table_df = sparkSession.sql("SELECT * FROM anotherDatabase.myOtherTable")

我只是在寻找一种更好的方法来编写相同的内容，而无需使用 sql 查询，在一行中，只需为此操作指定数据库即可。看起来应该像 sparkSession.database("anotherDatabase").table("myOtherTable")

欢迎任何建议

解决方法

您可以为此使用 DynamicFrameReader。这将返回一个 DynamicFrame。不过，您只需在该 DynamicFrame 上调用 .toDF() 即可将其转换为原生 Spark DataFrame。

sc = SparkContext()
glue_context = GlueContext(sc)
spark = glue_context.spark_session
job = Job(glue_context)

data_source = glue_context.create_dynamic_frame.from_catalog(
            database="database",table_name="table_name"
).toDF()