从 Databrick 文件系统读取文件

Posted 2023-04-15

【中文标题】从 Databrick 文件系统读取文件

【英文标题】：Reading a file from Databrick filesystem

【发布时间】：2021-05-19 10:17:27

【问题描述】：

我使用以下代码从 dbfs 读取 shapefile：

geopandas.read_file("file:/databricks/folderName/fileName.shp")

很遗憾，我无权执行此操作，并且收到以下错误

DriverError: dbfs:/databricks/folderName/fileName.shp: Permission denied

知道如何授予访问权限吗？文件存在那里（我有权使用 dbutils 将文件保存在那里 - 我可以使用 spark 从那里读取文件，但我不知道如何使用 pyspark 读取文件）。

添加这些行之后：

dbutils.fs.cp("/databricks/folderName/fileName.shp", "file:/tmp/fileName.shp", recurse = True)
geopandas.read_file("/tmp/fileName.shp")

...从下面的建议我得到另一个错误。

org.apache.spark.api.python.PythonSecurityException: Path 'file:/tmp/fileName.shp' uses an untrusted filesystem 'org.apache.hadoop.fs.LocalFileSystem', but your administrator has configured Spark to only allow trusted filesystems: (com.databricks.s3a.S3AFileSystem, shaded.databricks.azurebfs.org.apache.hadoop.fs.azurebfs.SecureAzureBlobFileSystem, shaded.databricks.v20180920_b33d810.org.apache.hadoop.fs.azurebfs.SecureAzureBlobFileSystem, com.databricks.adl.AdlFileSystem, shaded.databricks.V2_1_4.com.google.cloud.hadoop.fs.gcs.GoogleHadoopFileSystem, shaded.databricks.org.apache.hadoop.fs.azure.NativeAzureFileSystem, shaded.databricks.org.apache.hadoop.fs.s3a.S3AFileSystem)

【问题讨论】：

运行 dbutils 命令检查文件是否真的存在 .. 例如：dbutils.fs.ls("/databricks/folderName/")

幸运的是，它确实存在，这就是我如此惊讶的原因。我可以在那里保存一个文件，但我无法读取它:(

【参考方案1】：

GeoPandas 对 DBFS 一无所知 - 它正在处理本地文件。所以你要么需要：

使用 DBFS Fuse 从 DBFS 读取文件（但有一些 limitations）：

geopandas.read_file("/dbfs/databricks/folderName/fileName.shp")

或使用dbutils.fs.cp command将文件从DBFS复制到本地文件系统，并从中读取：

dbutils.fs.cp("/databricks/folderName/fileName.shp", "file:/tmp/fileName.shp", recurse = True)
geopandas.read_file("/tmp/fileName.shp")

附：但是如果文件已经复制到驱动节点，那么你只需要从名称中删除file:。

更新问题后更新：

在 AAD 直通集群上可以执行的操作存在限制，因此如果您想将文件从 DBFS 复制到本地文件系统，您的管理员需要更改集群配置，如 documentation on troubleshooting 中所述。

但是/dbfs 方式也应该适用于直通集群，尽管它至少应该是 DBR 7.3 (docs)

【讨论】：

听起来不错，但现在我遇到了第一篇文章中包含的另一个问题（不受信任的连接）。你能帮我解决一下吗？

链接是什么？

我更新了这个主题的开篇文章并在那里添加了错误消息:)

【参考方案2】：

好吧，答案比我想象的要容易：

geopandas.read_file("/dbfs/databricks/folderName")

（文件夹名称，因为它是一个包含所有形状文件的文件夹）

为什么会这样？简单的。在管理控制面板（“高级”选项卡）中启用在 DBFS 上检查文件的可能性，单击您需要的文件，您将获得两个可能的文件路径。一个专用于 Spark API，另一个专用于 File API（这是我需要的）。

:)