检查 Databricks 笔记本中是不是存在 S3 目录

Posted 2023-04-15

【中文标题】检查 Databricks 笔记本中是不是存在 S3 目录

【英文标题】：Check for S3 directory existence in Databricks notebook检查 Databricks 笔记本中是否存在 S3 目录

【发布时间】：2021-03-01 21:25:37

【问题描述】：

我在 Databricks 中工作，我试图从按顺序排序的 S3 实例中获取镶木地板数据，但缺少序列的某些部分。所以文件系统可能如下所示：

 's3a://databricks-data/STAGING/18',
 's3a://databricks-data/STAGING/17',
 's3a://databricks-data/STAGING/16',
 's3a://databricks-data/STAGING/15',
 's3a://databricks-data/STAGING/14',
 's3a://databricks-data/STAGING/13',
 's3a://databricks-data/STAGING/12',
 's3a://databricks-data/STAGING/10',
 's3a://databricks-data/STAGING/09',
 's3a://databricks-data/STAGING/08',
 's3a://databricks-data/STAGING/07'

您会注意到11 丢失了，这就是问题所在。偶尔会丢失其中一些文件夹，而且它不是系统的或可预测的。所以，来自 Python 背景，我想我可以从一个序列中创建一个文件夹列表，然后测试这样的文件夹是否存在，如果存在，读取数据，如果不存在，跳过。像这样的：

paths = ["s3a://databricks-data/STAGING/" + str(ii) for ii in range(100)]
paths = [p for p in paths if p.exists()] #**this check -- "p.exists()" -- is what I'm looking for**
df = spark.read.parquet(*paths)

有谁知道我如何检查 Databricks 中是否存在文件夹/目录？我尝试过使用dbutils，但要么我正在使用不同的版本，要么我不知道我在做什么（可能两者兼而有之），因为没有任何效果。我对 Databricks 很陌生，所以如果我能澄清这个问题，请告诉我。

【参考方案1】：

你可以使用dbutils.fs.ls来实现这样的功能：

def path_accessible(path):
  try:
    dbutils.fs.ls(path)
    return True
  except:
    pass

  return False

然后使用它：

paths = [p for p in paths if path_accessible(p)]

请注意，它会检查路径是否可访问 - 您可能由于凭据无效等原因无法访问 - 您可以通过添加相应的 except 子句来改进它。

附：如果您这样做是为了加载数据的增量，我建议您考虑使用 Auto Loader 的结构化流式处理（即使在 Trigger.Once 模式下） - 如果您有很多文件，从性能的角度来看它可能会更好在您的目录中。

【讨论】：

由于某种原因，我根本无法访问dbutils.fs。我执行import dbutils，然后dir(dbutils) 产生['Console', 'DBUtils', 'FileInfo', 'Iterable', 'ListConverter', 'MapConverter', 'MountInfo', 'NotebookExit', 'Py4JJavaError', 'SecretMetadata', 'SecretScope', 'WidgetsHandlerImpl', '__builtins__', '__doc__', '__file__', '__name__', '__package__', 'absolute_import', 'makeTensorboardManager', 'namedtuple', 'print_function', 'range', 'stderr', 'stdout', 'string_types', 'sys', 'zip']。也许我正在使用不同版本的 Databricks 或其他东西？我不确定。

好的，所以，我对如何使用dbutils 感到困惑；它不应该被导入。相反，它是启动时 Databricks 笔记本的一部分。鉴于此，您的解决方案完美运行，谢谢！至于使用 Auto Loader，我将不得不对此进行更多研究。对于不自动读取的 S3 存储桶，您有什么推荐的阅读材料吗？

文档应该足够了