PYSPARK - 如何读取 S3 中所有子文件夹中的所有 csv 文件?
Posted
技术标签:
【中文标题】PYSPARK - 如何读取 S3 中所有子文件夹中的所有 csv 文件?【英文标题】:PYSPARK - How to read all csv files in all subfolders in S3? 【发布时间】:2019-05-02 13:19:52 【问题描述】:在 Amazon S3 中,我有一个包含大约 30 个子文件夹的文件夹,每个子文件夹中包含一个 csv 文件。
我想要一种从所有子文件夹中读取每个 csv 文件的简单方法 - 目前,我可以通过指定路径 n 次来做到这一点,但我觉得必须有更简洁的方法。
例如dataframe = sqlContext.read.csv([ path1, path2, path3,etc..], header=True)
【问题讨论】:
你试过通配符*
吗?
另外,如果你需要比通配符更复杂的东西,这个答案有更多你可以做的例子:***.com/a/31784292/5054505
【参考方案1】:
像这样模拟你的情况(使用 jupyter 魔法命令,这样你就可以看到文件夹结构)
... 只需使用 * ... 还假设每个 csv 具有相同的列数
! ls sub_csv/
print("="*10)
! ls sub_csv/csv1/
! ls sub_csv/csv2/
! ls sub_csv/csv3/
print("="*10)
! cat sub_csv/csv1/*.csv
! cat sub_csv/csv2/*.csv
! cat sub_csv/csv3/*.csv
csv1
csv2
csv3
==========
csv1.csv
csv2.csv
csv3.csv
==========
id
1
id
2
id
3
spark\
.read\
.option("header", "true")\
.csv("sub_csv/*")\
.show()
+---+
| id|
+---+
| 1|
| 2|
| 3|
+---+
【讨论】:
我收到错误消息IllegalArgumentException: u'java.net.URISyntaxException: Relative path in absolute URI: 2019-03-25T16:25:47.330010'
- 知道为什么吗?
不确定看不到命令...为什么使用 sqlContext 而不是 sparkSession?以上是关于PYSPARK - 如何读取 S3 中所有子文件夹中的所有 csv 文件?的主要内容,如果未能解决你的问题,请参考以下文章
无法使用 Pyspark 2.4.4 读取 s3 存储桶中的镶木地板文件