Question

我有一个数字文件，每个文件按照亚马逊s3上的日期(date=yyyymmdd)进行隔离。文件可以追溯到6个月，但我想限制我的脚本仅使用最近3个月的数据。我不确定我是否能够使用正则表达式来执行sc.textFile("s3://path_to_dir/yyyy[m1,m2,m3]*")

之类的操作

其中m1，m2，m3代表我想要使用的当前日期的3个月。

一个讨论还建议使用像sc.textFile("s3://path_to_dir/yyyym1*","s3://path_to_dir/yyyym2*","s3://path_to_dir/yyyym3*")这样的东西，但这对我来说似乎不起作用。

sc.textFile( )是否采用正则表达式？我知道你可以使用glob表达式，但我不确定如何将上述情况表示为glob表达式？

Answer 1

对于您的第一个选项，请使用花括号：

sc.textFile("s3://path_to_dir/yyyy{m1,m2,m3}*")

对于第二个选项，您可以将每个单独的glob读入RDD，然后将这些RDD合并为一个：

m1 = sc.textFile("s3://path_to_dir/yyyym1*")
m2 = sc.textFile("s3://path_to_dir/yyyym2*")
m3 = sc.textFile("s3://path_to_dir/yyyym3*")
all = m1.union(m2).union(m3)

您可以将globs与sc.textFile结合使用，但不能使用完整的正则表达式。

pyspark使用s3中的regex / glob选择文件子集

1 个答案: