问题描述
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?
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)