Question

我试图通过pyspark从多个分区读取多个镶木地板文件，并将它们连接到一个大数据框。文件看起来像，

 hdfs dfs -ls /data/customers/odysseyconsultants/logs_ch_blade_fwvpn
Found 180 items
drwxrwxrwx   - impala impala          0 2018-03-01 10:31 /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/_impala_insert_staging
drwxr-xr-x   - impala impala          0 2017-08-23 17:55 /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/cdateint=20170822
drwxr-xr-x   - impala impala          0 2017-08-24 05:57 /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/cdateint=20170823
drwxr-xr-x   - impala impala          0 2017-08-25 06:00 /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/cdateint=20170824
drwxr-xr-x   - impala impala          0 2017-08-26 06:04 /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/cdateint=20170825

每个分区都有一个或多个镶木地板文件，即

hdfs dfs -ls /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/cdateint=20170822
Found 1 items
-rw-r--r--   2 impala impala   72252308 2017-08-23 17:55 /data/customers/odysseyconsultants/logs_ch_blade_fwvpn/cdateint=20170822/5b4bb1c5214fdffd-cc8dbcf600000008_1393229110_data.0.parq

我想要创建的是一个通用函数，它将采用from - to参数并在大数据框中加载并连接该时间范围的所有镶木地板文件。

我可以创建要读取的文件，

def read_files(table,from1,to):
     s1 = ', '.join('/data/customers/odysseyconsultants/' + table + '/' + 'cdateint=' + str(i) for i in range(from1, to+1))
     return s1.split(', ')

如果我尝试读取文件，如下所示，我会收到异常

for i in read_files('logs_ch_blade_fwvpn', 20170506, 20170510):
...  sqlContext.read.parquet(i).show()

如果我试着读它

x = read_files('logs_cs_blade_fwvpn', 20180109, 20180110)
d1 = sqlContext.read.parquet(*x)

我收到错误

pyspark.sql.utils.AnalysisException：u'Path不存在：hdfs：// nameservice1 / data / customers / odysseyconsultants / logs_cs_blade_fwvpn / cdateint = 20180109;'

Answer 1

这是一种做法，虽然我对替代方案持开放态度

{{1}}

Answer 2

将目录名称用作分区怎么样？例如：

table = 'logs_ch_blade_fwvpn'
sqlContext.read.parquet('/data/customers/odysseyconsultants/' + table) \
    .where(col('cdateint').between('20170822', '20170825')).show()

从多个分区中读取多个镶木地板文件

2 个答案: