简短回答：

如果您直接使用sparksession/sparkcontext读取/加载数据，您将得到一个纯sparkDataframe，而不是dynamicframe。
从spark读取时的不同选项：
格式：是您正在读取的源格式，因此可以是parquet、csv、json，。。
加载：它是指向您正在读取的源文件的路径：它可以是本地路径、s3路径、hadoop路径，。。。
选项：很多不同的选项，比如inferschema，如果你想让spark对你最好，并根据csv文件中的数据样本或header=true猜测模式。
举个例子：

df = spark.read.format("csv").option("header", true) .option("inferSchema", true).load("s3://path")

在前面的示例中没有创建dynamicframe，因此df将是一个Dataframe，除非您使用glue api将其转换为dynamicframe。

长话短说：

glue catalog本身只是一个aws配置单元实现。如果需要，您可以创建一个定义模式、读取器类型和Map的glue目录，然后它就可以用于不同的aws服务，如glue、athena或redshift spectrum。我从使用glue目录中看到的唯一好处实际上是与不同aws服务的集成。
我认为您可以从使用爬虫的数据目录以及与athena和redshift specturm的集成中获得最大的收益，还可以使用统一的api将它们加载到粘合作业中。
你可以使用glue直接从不同的来源和格式中使用from\u options glue方法来阅读，而且你不会失去glue所拥有的一些优秀工具，它仍然可以作为动态框架来阅读。
如果出于任何原因不想从glue中获取数据，只需指定一个dataframe模式并使用 SparkSession 但请记住，尽管您可以将Dataframe转换为动态帧，但您将无法访问书签和其他工具。
使用spark直接读取s3的示例 DataFrame （Parquet、json或csv格式的f.e），将是：

df = spark.read.parquet("s3://path/file.parquet")
df = spark.read.csv("s3a://path/*.csv")
df= spark.read.json("s3a://path/*.json")

这不会创建任何dynamicframe，除非您想将其转换为dynamicframe，否则您将得到一个纯sparkDataframe。
另一种方法是使用 format() 方法。

df = spark.read.format("csv").option("header", true) .option("inferSchema", true).load("s3://path")

请记住，csv f.e有几个选项，如“header”或“inferschema”。您需要知道是否要使用它们。最好的做法是在生产环境中定义模式，而不是使用inferschema，但是有几个用例。
此外，如果需要，您可以使用以下方法将纯Dataframe转换为动态帧：

DynamicFrame.fromDF(df, glue_context, ..)