问题描述
我是数据砖的新手。我正在为我的学校项目寻找公共大数据数据集,然后在以下链接上遇到了AWS公共数据集:https://registry.opendata.aws/target/
我在Databricks上使用python,但我不知道如何建立与数据的连接。我发现了以下指导方法:
我不确定如何找到相应的access_key,secret_key,AWS_bucket_name和mount_name。
解决方法
本文档适用于非公共S3存储桶。
对于此数据集,您可以简单地使用s3://...
URL进行读取,如下所示:
df = spark.read.format("text").load("s3://gdc-target-phs000218-2-open/")
我仅使用text
文件格式,但是由于此数据集使用XML存储数据,因此您需要使用类似spark-xml library之类的东西来提取必要的数据。